毕业论文自研推荐模型：基于自有数据库的工具推荐聊天系统开发咨询

整体架构拆解 #

直接给你搭项目的核心模块，按流程走：

1. 自有数据库层：
   • 用PostgreSQL建tools表，字段至少要有：tool_id（主键）、name（工具名）、description（功能描述）、applicable_scenarios（JSON格式，存比如["橱柜组装", "衣柜安装"]这类场景）、usage_tips（使用提示）。另外可以加个user_queries表存用户历史提问，方便后续优化。
   • 如果要做语义检索，搭配轻量级向量库Chroma，把每个工具的场景、描述转成向量存进去，快速匹配用户问题。
2. 语义检索层：
   • 把用户的自然语言提问（比如“怎么组装橱柜”）转成向量，和Chroma里的工具向量做相似度匹配，揪出最相关的3-5个工具。
3. 对话生成层：
   • 把检索到的工具信息拼进prompt，喂给开源对话模型，让它生成带工具推荐的组装步骤，严格限制只能用你数据库里的工具。
4. 交互层：
   • 用Streamlit搭个简单的聊天界面，用户输问题，后端处理完返回回答，毕设演示足够用。

技术选型（全是开源、易上手的工具，适合毕设） #

• 后端：Python + FastAPI，写接口快，文档全，能快速把检索、模型调用串起来。
• 数据库：PostgreSQL（存结构化工具数据）+ Chroma（向量检索，本地跑不用付费）。
• 模型：
  • 语义匹配：用sentence-transformers的all-MiniLM-L6-v2，轻量、速度快，文本转向量效果够你用。
  • 对话生成：用量化版的Llama 2-7B或者Qwen-7B-Chat，用transformers库或者llama.cpp就能本地部署，16G内存的电脑就能跑。
• 前端：Streamlit，不用写HTML/CSS，几行Python代码就能搭出聊天界面。

学习路径（按顺序来，别乱跳） #

1. 先搞定基础工程能力
   • 花1-2天学FastAPI，跟着官方文档写个能查询PostgreSQL的接口，比如输入场景关键词，返回对应的工具列表。
   • 熟悉PostgreSQL的基本操作：建表、插入数据、写查询语句，比如用psycopg2或者SQLAlchemy操作数据库。
2. 搞定语义检索核心
   • 学sentence-transformers的基本用法：把文本转成向量，计算相似度。然后把你数据库里的工具场景、描述批量转成向量，导入Chroma。
   • 写个简单的检索函数：输入用户问题，转成向量，从Chroma里拉Top3相关工具。
3. 学会RAG（检索增强生成）
   • 了解RAG的基本逻辑：用检索到的外部数据（你的工具库）约束模型生成内容，避免瞎编。
   • 设计prompt模板，比如：

     你是专业的DIY工具助手，现在用户问：{user_question}
     请根据以下提供的工具信息，给出详细的组装步骤和对应的工具推荐，**只能使用下面列出的工具，禁止提到任何不在列表里的工具**：
     {retrieved_tools}
     回答格式：先讲组装步骤，再列工具列表（工具名+简要用途）
     

   • 本地部署量化版的对话模型，测试prompt效果，调整模板直到生成的回答符合要求。
4. 整合所有模块
   • 把检索函数、模型调用函数塞进FastAPI接口里，前端用Streamlit写个聊天框，调用后端接口，完成端到端的流程。
5. 优化细节
   • 加个简单的校验：生成的回答里提到的工具，必须在你的数据库里存在，用字符串匹配或者查tools表的方式验证，避免模型瞎编。
   • 优化检索准确率：把工具的applicable_scenarios拆成更细的关键词，比如“橱柜组装-打孔”“橱柜组装-固定”，提升匹配精度。

同类项目参考思路 #

• 比如面向装修工人的工具推荐机器人：用户输入“装吊顶需要啥工具”，机器人从自有库中匹配电钻、膨胀螺丝、水平仪等，同时给出安装步骤。
• 简化版实现流程：
  1. 整理工具数据，导入PostgreSQL和Chroma。
  2. 用户输入问题→转向量→Chroma检索相关工具。
  3. 把问题+工具信息拼prompt→传给对话模型→生成回答。
  4. 返回回答给前端展示。

避坑提醒 #

• 别从零训练模型：毕设时间有限，开源预训练模型足够用，从零训不仅费时间，效果还不如现成的。
• 模型量化：用4-bit或8-bit量化的模型，不然普通电脑跑不动，transformers库的bitsandbytes插件就能实现。
• 数据要规整：工具的场景、描述尽量标准化，别写太模糊的内容，不然检索匹配会不准。

内容的提问来源于stack exchange，提问作者danil-losev