企业官网建设流程全解析

PaperQA2 上手教程：如何完成文献问答 RAG 的安装配置，一次跑出带引用的答案

【免费下载链接】paper-qaHigh accuracy RAG for answering questions from scientific documents with citations项目地址: https://gitcode.com/GitHub_Trending/pa/paper-qa

PaperQA2 是一款面向科学文献的高精度 RAG（检索增强生成）工具：你把一个装满 PDF 的目录丢给它，它自动抓取论文元数据、构建全文索引，再由大模型给出带行内引用的回答。本文不打算罗列功能清单，而是按五阶段主线走一遍：环境自检、首次跑通、速度成本调优、进阶技巧、高频问题速查。每步都配可直接执行的命令，照着做，当天就能拿到第一个带引用的答案。

阶段一：环境自检 —— PaperQA2 安装前的四项检查

动手写代码之前，先把下面的自检清单过一遍。每项都给了命令，你只需要核对输出是否符合预期。

1. 检查 Python 版本

python --version

PaperQA2（即 5.x 版本）要求Python 3.11 及以上，3.10 及以下会直接装不上或跑不动。

2. 装对版本

pip install paper-qa>=5

>=5这个约束别省：5 及以后才叫 PaperQA2，旧版本没有pqa命令行入口，旧版本 pickled 的索引也不兼容。

3. 配置模型 API Key

export OPENAI_API_KEY=sk-你的密钥

默认走 OpenAI 系接口，默认模型是gpt-4o-2024-08-06。Key 没设的话，一跑pqa ask就会报缺 key 的错误。

4. 不用云 API？用本地模型替代

先在本机起一个兼容 OpenAI 协议的服务（llamafile 或 Ollama），再在代码里用llm_config把api_base指回本机：

local_llm_config = { "model_list": [ { "model_name": "ollama/llama3.2", "litellm_params": { "model": "ollama/llama3.2", "api_base": "http://localhost:11434", # Ollama 默认端口 }, } ] }

提醒一句：模型别选太小。PaperQA2 要模型遵循大量指令，7B 量级的小模型效果会明显变差。

阶段二：首次运行 —— 建索引、第一问，三步跑通

自检通过后，走这条最短路径。

第一步：给论文目录建一个命名索引

cd my_papers pqa -i nanomaterials index

你会看到它逐个列出目录里的 PDF，抓取元数据（走 Crossref / Semantic Scholar），再分块、嵌入建索引。此后这个目录就对应nanomaterials这套索引。

第二步：问第一个问题

pqa -i nanomaterials ask 'Are there nm scale features in thermoelectric materials?'

你会得到一段带行内引用的答案，引用格式类似Qian2011Neural pages 1-2——来源和页码都标出来了，这是 PaperQA2 和一般 RAG 最大的差别。

第三步：纯检索验证索引内容

pqa -i nanomaterials search thermoelectrics

这是不走大模型回答的全文检索，能快速确认论文有没有被正确收录、哪个文件没进去。

再问第二个问题时你会发现速度明显变快——索引已缓存，除非检测到新增文件，否则会跳过解析步骤。

阶段三：速度与成本调优 —— 预设切换和限流方法

默认的high_quality预设evidence_k高达 15，检索多、反复打分，又慢又贵。遇到"慢、贵、被限流"，按这套组合拳来。

先切快速预设

pqa -s fast ask 'How can carbon nanotubes be manufactured at a large scale?'

fast是官方预设里"便宜又快"的那套，出答案的速度立刻上一个台阶。

被限流就套速率限制预设

pqa -s tier1_limits ask 'Are there nm scale features in thermoelectric materials?'

如果你是 OpenAI Tier 1 用户，tier1_limits会按你的套餐额度自动降速（tier1_limits到tier5_limits共五档可选），批量任务不再跑太快被封。

一行命令查看当前生效的 PaperQA2 配置

pqa -s fast view

把所有生效参数打出来。行为不符合预期时，这是第一要查的东西。

精细调节两个关键参数

from paperqa import Settings, ask settings = Settings(paper_directory="my_papers") settings.answer.evidence_k = 5 # 检索 5 段候选证据（默认 10） settings.answer.answer_max_sources = 3 # 最终答案最多引用 3 个来源（默认 5） answer_response = ask( "How can carbon nanotubes be manufactured at a large scale?", settings=settings, )

数字越小，越快越省：evidence_k管检索广度，answer_max_sources管答案引用广度。如果嫌答案太单薄，再把数字调回去。

阶段四：进阶技巧 —— manifest、索引复用与本地嵌入

1. 批量建索引，配 manifest 清单文件

上百篇论文时，别让模型从正文猜标题和 DOI。准备一个三列 CSV：file_location（PDF 相对路径）、doi、title，再把agent.index.manifest_file指向它。元数据查询会更准，索引建得也更快。

2. 命名索引并复用

pqa -i <名称> index显式命名后，同一目录不会被反复重建。建好一次，连续问十个问题，只付一次解析成本。索引复用机制的实现在 paperqa/agents/search.py，想弄清缓存逻辑可以读读源码。

3. 本地嵌入模型省 API 成本

pip install paper-qa[local]

settings = Settings(embedding="st-multi-qa-MiniLM-L6-cos-v1")

嵌入模型名加st-前缀即走本地 Sentence Transformer，建索引阶段完全不打云端 API。

4. 索引存储换到数据盘

索引和历史回答默认都放在PQA_HOME（默认~/.pqa/）下。论文库大时指到你自己的数据盘：

export PQA_HOME=/data/pqa_home

系统盘不会被占满，日后迁移就是挪一个目录的事。

阶段五：高频问题速查表

收尾

PaperQA2 的入门门槛其实不高：装对版本、配好 Key、选对预设，三步就能完成安装配置，再问出带引用的文献答案。遇到问题先pqa view看生效配置，再考虑深挖源码。更多细节见 README.md，官方预设都放在 paperqa/configs/ 里，欢迎带着你的问题来社区交流。

【免费下载链接】paper-qaHigh accuracy RAG for answering questions from scientific documents with citations项目地址: https://gitcode.com/GitHub_Trending/pa/paper-qa