一个医疗领域的垂直场景，有大量的pdf论文文档，说一下你搭建知识库的流程？
回答：
1.文档采集与整理数据源:收集PDF论文(如PubMed、CNKI、万方、医院内部数据库等)
元数据整理:记录论文标题、:作者、期刊、整理时间、关键词等元信息，便于后续检索和溯源。
2.PDF内容解析与结构化文本抽取:
用pdfplumber、PyMuPDF、pdfminer等工具提取正文、标题、摘要、章节、表格、图片等内容。结构化分块:
按照论文结构(如摘要、引言、方法、结果、讨论、结论、参考文献)进行分块。
每个块作为一个“知识单元”，记录其所属论文、章节、页码等信息。
图片/表格处理(可选)
图片:用0CR(如Paddle0cR)提取图片中的文字，或用CLIP等模型提取图片语义。
表格:用表格识别工具(如Camelot、Tabula)提取结构化数据。
3.知识单元向量化文本向量化:
用医学领域专用Embedding模型(如Bi0BERT、
PubMedBERTChinese-MedicaL-BERT、BGE等)将每个知识单元转为向量支持语义检索。
多模态向量化(如有图片/表格)图片用CLIP等模型生成向量:表格可转为文本描述后向量化。
4.知识库存储与检索系统搭建
向量数据库:如FAISS、Milvus、Weaviate、Elasticsearch(带向量检索插件)等，存储知识单元的向量及原文信息。
元数据数据库:如MongoDB、Elasticsearch、PostgreS0l等，存储论文元信息、分块信息、原文内容等。
5.知识库服务与问答接口检索服务:
用户提问后，先用Embedding模型将问题向量化，在向量数据库中检索最相关的知识单元(Top-K)。可结合关键词/元数据过滤(如限定某疾病、某年份、某作者)。大模型生成答案
将检索到的知识单元与用户问题拼接，输入大模型(如ChatGLM.0wen、GPT-4等)，生成专业、可信的答案。可要求大模型“仅基于检索内容作答”，提升准确性和可溯源性可视化与溯源:
展示答案时，附上原文出处、论文标题、页码、段落等，便于用户追溯。
6.进阶功能(可选)实体与关系抽取:用NER、RE等NLP技术抽取疾病、药物、症状治疗方法等医学实体及其关系，构建医学知识图谱,多轮对话与上下文理解:支持连续追问、上下文关联。多模态检索:支持图片、表格、文本混合检索。
7.面试简答模板
>“我会先批量解析PDF论文，按结构分块，提取文本、图片、表格等内容。用医学领域的Embedding模型将每个知识单元向量化，存入向量数据库。用户提问时，先检索最相关的知识单元，再结合大模型生成专业答案，并附上原文出处，保证答案的准确性和可溯源性。整个流程可支持多模态检索和医学实体关系抽取，便于后续知识发现和智能问答。"