项目总览

这个项目围绕邮政客服场景展开，主线不是单独做一个聊天页面，而是把数据、知识库、模型微调、Web 系统和推理服务串成一条完整链路。

最核心的两件事是：

1. 把邮政知识整理成可检索、可引用的 RAG 链路。
2. 把模型微调到更贴近邮政客服场景的状态。

Django 页面、API、推理部署和负载均衡这些内容不是孤立存在的，它们负责把 RAG 和 LoRA 变成可交互、可对比、可演示的系统成品。

从工程能力上看，这个项目覆盖了几条比较完整的链路：

1. 从原始客服数据和公开页面材料中筛选、清洗、整理邮政知识。
2. 把知识转成可检索、可追溯的向量库，并在页面上展示引用来源。
3. 用 LoRA 做邮政客服场景适配，让模型回答更贴近业务语境。
4. 用 Django 把会话、流式回答、引用、工单 JSON 和四种模式对比接到一起。
5. 用 vLLM、A100 8 卡和 nginx 把模型能力接成服务入口。

整体可以按三段来理解：

第一阶段：数据筛选与知识整理

这一阶段主要处理邮政客服数据的筛选、分析和知识整理，包括：

1. 从泛客服数据中筛出邮政相关对话。
2. 做关键词统计、样本分析和边界 case 检查。
3. 为后续知识库和训练数据准备更干净的输入。

对应目录主要是：

• week1/
• week1-module-Web-Crawler/

第二阶段：RAG 智能客服系统

这一阶段的重点是把知识整理和问答系统接起来，形成可以运行、可以引用知识来源的邮政智能客服链路。

这一阶段保留的重点包括：

1. RAG 检索链路整理。
2. Django 应用接入。
3. 会话、引用、工单等交互能力组织。
4. 不同模式下的效果对比入口。

对应目录主要是：

• week2/

第三阶段：LoRA 微调与推理接入

这一阶段主要是围绕 LoRA 微调和推理接入展开，对 Qwen2.5 做邮政客服场景适配，并保留一版统一可复述的实验结论。

对应目录主要是：

• week3/

仓库里保留的是整理后的实验工程、报告和说明文档；原始训练环境中的大量运行产物没有继续纳入版本库。

如果只看这个项目的主次关系，可以直接理解为：

1. RAG 是知识能力主线。
2. LoRA 是模型能力主线。
3. Django 页面与部署链路主要用于把这两部分能力接成一个可验证的系统 demo。