0xTijan 开源本地财报 RAG 系统仓库 demo-crag
先了解这件事
开发者 0xTijan 在 GitHub 开源仓库 demo-crag，公开了一套从公司列表到本地财报问答系统的完整七步流水线设计：用 Playwright 抓取财报 PDF 并以 SHA-256 去重，Docling 转 Markdown，LLM 结构化抽取后存入 PostgreSQL EAV 表，再做多语言嵌入入 pgvector。 问答环节采用带纠错环路的 RAG：SQL 路径用 sqlglot 静态校验并把执行错误回喂 LLM 修正，向量路径对检索块做相关性分级，答案生成后逐句验证 groundedness，重试上限 2-3 次，失败时报告无法作答。 硬件上按 16GB 内存预算设计：交互问答用 Qwen2.5 7B（Q4 量化约 4.5GB），批处理抽取用 Qwen2.5 14B（约 8-9GB）过夜运行，由 Ollama 自动加载卸载，两个模型无需同时驻留内存。
AI 根据报道生成 · 16 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- GitHub · 3D 生成新仓库0xTijan 开源本地财报 RAG 系统 demo-crag，完整披露七步流水线设计
GitHub 仓库 0xTijan/demo-crag 公开了一个自动财报抽取与本地 RAG 问答系统的完整设计。流程从公司种子表开始，经 Playwright 抓取候选 PDF、SHA-256 去重下载、Docling 转 Markdown、LLM 结构化抽取入 PostgreSQL EAV 表、多语言嵌入入 pgvector，最后以带纠错环路的 RAG 作答：SQL 路径用 sqlglot 静态校验并把执行错误回喂 LLM 修正，向量路径对检索结果逐块做相关性分级，答案生成后再经逐句 groundedness 验证，重试上限 2-3 次，失败时诚实报告无法作答。硬件上采用 Qwen2.5 7B 交互加 14B 批处理的双层本地模型策略，由 Ollama 自动加载卸载，以适配 16GB 内存预算。
本事件热度走势
- 可比范围当前
- 6
- 可比范围峰值
- 1011月6日 01:00
- 近 24 小时变化
- –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。