手搓RAG新增功能：递归检索与迭代查询+重回成熟框架API

在上那篇提到的我手搓的那个 RAG 项目新增功能中，漏掉了递归检索与迭代查询，这篇补上（源码见知识星球）。经过初步调试对召回效果有明显提升，这种方法解决了传统 RAG 的几个关键问题：

处理复杂多步骤问题：通过多次迭代，分解复杂问题
信息不足的补充：当初始检索结果不足以回答问题时，自动生成补充查询
多角度信息收集：能够从不同角度收集相关信息
1、递归检索具体实现
递归检索函数（recursive_retrieval）

（支持最多三次迭代查询）

每次迭代使用混合检索（向量检索+BM25）获取信息

使用 LLM 分析当前检索结果，判断是否需要进一步查询

如果需要，LLM 会生成新的查询问题，用于下一轮检索

换句话说，递归检索的工作原理可以理解为"先检索-后思考-再检索"的过程，模拟了人解决问题的方式：先获取一些信息，思考下是否足够，如果不够则继续查找更多相关信息。总之，好的结果不是一蹴而就的。

2、核心组件全解析
下面再对整个代码的核心组件做进一步的解析，大家可以在这个基础上按照业务需求进一步优化：

图片

2.1文档处理和向量化
文本提取：使用 pdfminer.high_level.extract_text_to_fp 从 PDF 提取文本内容

文本分块：使用 RecursiveCharacterTextSplitter 将长文本分割成更小的块（在代码中块大小设为 400 字符，重叠为 40 字符）

向量化：使用 all-MiniLM-L6-v2 模型为每个文本块生成嵌入向量

存储：将文本块、向量和元数据存储到 ChromaDB 向量