x/themblem
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

add chat type

Browse Source
This commit is contained in:
Fam Zheng 2025-08-23 21:35:23 +01:00
parent f21da37f51
commit 65892036c1
4 changed files with 496 additions and 371 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

180
api/products/README_AI_CHAT.md
View File

@ -1,180 +0,0 @@
# AI聊天功能使用说明
## 概述
AI聊天模块为徵象防伪验证平台提供智能客服功能，基于Moonshot Kimi K2 API实现。
## 文件结构
```
api/products/
├── aichat.py # 核心AI聊天库
├── management/
│ └── commands/
│ └── chat.py # Django管理命令
└── README_AI_CHAT.md # 本文档
```
## 使用方法
### 1. 作为Django管理命令运行（推荐）
```bash
# 进入Django项目目录
cd api
# 启动AI聊天
python manage.py chat
# 使用自定义参数
python manage.py chat --api-key "your_key" --history-file "~/.custom_history"
```
**可用参数:**
- `--history-file`: 指定历史文件路径 (默认: ~/.aichat_history)
**注意:** API密钥和URL现在从Django设置中自动获取，无需命令行参数
### 2. 作为Python库导入
```python
from products.aichat import AIChatService
# 创建服务实例
service = AIChatService()
# 发送消息
response = service.chat("你好，请介绍一下徵象平台")
# 查看对话历史
history = service.get_conversation_history()
# 清空历史
service.clear_history()
```
### 3. 直接运行库文件（测试模式）
```bash
python api/products/aichat.py
```
## 功能特性
### 核心功能
- **智能对话**: 基于Kimi K2的AI客服
- **工具调用**: 支持二维码扫描等工具
- **多轮对话**: 完整的对话历史管理
- **品牌定制**: 徵象平台专属系统提示词
### 控制台功能
- **Readline支持**: 完整的命令行体验
- **历史记录**: 持久化的输入历史
- **智能补全**: Tab键命令补全
- **快捷键**: Emacs风格的编辑快捷键
## 可用命令
在聊天界面中，可以使用以下命令：
- `help` - 显示帮助信息
- `history` - 查看AI对话历史
- `clear` - 清空对话历史
- `readline-help` - 显示快捷键帮助
- `stats` - 显示readline统计信息
- `quit/exit/q` - 退出系统
## 快捷键
### 导航
- `↑/↓` - 浏览历史记录
- `Ctrl+A` - 跳转到行首
- `Ctrl+E` - 跳转到行尾
### 编辑
- `Ctrl+U` - 删除到行首
- `Ctrl+K` - 删除到行尾
- `Ctrl+W` - 删除单词
### 搜索
- `Ctrl+R` - 反向搜索历史
- `Ctrl+S` - 正向搜索历史
### 补全
- `Tab` - 自动补全命令
## 配置说明
### 环境变量
- `KIMI_API_KEY`: Moonshot API密钥（在Django设置中配置）
- `KIMI_API_URL`: Moonshot API基础URL（在Django设置中配置）
### Django设置配置
API凭证在 `emblemapi/settings.py` 中配置：
```python
KIMI_API_KEY = "your_api_key_here"
KIMI_API_URL = "https://api.moonshot.cn/v1"
```
### 历史文件
- 默认位置: `~/.aichat_history`
- 最大记录数: 1000条
- 自动保存: 退出时自动保存
## 开发说明
### 扩展工具
在`AIChatService._define_tools()`中添加新工具：
```python
def _define_tools(self):
return [
{
"type": "function",
"function": {
"name": "your_tool_name",
"description": "工具描述",
"parameters": {
"type": "object",
"properties": {},
"required": []
}
}
}
]
```
### 自定义系统提示词
修改`_add_system_message()`方法中的`system_prompt`变量。
## 故障排除
### 常见问题
1. **API调用失败**
- 检查API密钥是否正确
- 确认网络连接正常
- 查看错误日志
2. **Readline功能异常**
- 确认终端支持readline
- 检查历史文件权限
- 尝试重新创建历史文件
3. **导入错误**
- 确认Django环境已激活
- 检查Python路径设置
- 验证依赖包安装
### 调试模式
使用`--verbosity=2`参数获取详细日志：
```bash
python manage.py chat --verbosity=2
```
## 更新日志
- **v1.0**: 初始版本，支持基础AI聊天和工具调用
- **v1.1**: 添加readline支持和Django管理命令
- **v1.2**: 重构为库模块，分离界面和核心功能

37
api/products/aichat.py
View File

@ -31,12 +31,14 @@ class ToolResult:
class AIChatService:
"""AI聊天服务主类"""
def __init__(self, api_key: str = None, base_url: str = None):
def __init__(self, api_key: str = None, base_url: str = None, chat_type: str = 'platform', product_id: int = None):
"""初始化AI聊天服务
Args:
api_key: Moonshot API密钥
base_url: API基础URL
chat_type: 聊天类型 ('platform' 或 'product')
product_id: 产品ID，当chat_type为'product'时使用
"""
self.api_key = api_key or getattr(settings, 'KIMI_API_KEY', None)
self.base_url = base_url or getattr(settings, 'KIMI_API_URL', None)
@ -44,6 +46,14 @@ class AIChatService:
if not self.api_key:
raise ValueError("KIMI_API_KEY is required")
# 聊天类型和产品ID
self.chat_type = chat_type
self.product_id = product_id
# 验证参数
if chat_type == 'product' and not product_id:
raise ValueError("当chat_type为'product'时，必须提供product_id")
self.client = OpenAI(
api_key=self.api_key,
base_url=self.base_url
@ -75,7 +85,8 @@ class AIChatService:
def _add_system_message(self):
"""添加系统提示词"""
system_prompt = """你是一个专业的徵象防伪验证平台AI客服助手。
if self.chat_type == 'platform':
system_prompt = """你是一个专业的徵象防伪验证平台AI客服助手。
平台介绍：
徵象是由广州市诚投科技有限公司开发的AI驱动的智能防伪平台，通过多模态特征识别构建新一代防伪验证体系，实现从物理防伪到数字认证的全链路保护。系统采用ISO 12931国际防伪标准，已获取国家发明专利(证书编号:CN 115222000 B)。
@ -96,6 +107,28 @@ class AIChatService:
可用工具：
- start_qr_scan: 启动二维码扫描功能，用于产品防伪验证
请根据用户问题提供准确、有用的回答。如果用户需要验证产品，请使用二维码扫描工具。"""
elif self.chat_type == 'product':
system_prompt = f"""你是一个专业的徵象防伪验证平台产品客服助手，专门为产品ID {self.product_id} 提供客服服务。
平台介绍：
徵象是由广州市诚投科技有限公司开发的AI驱动的智能防伪平台，通过多模态特征识别构建新一代防伪验证体系，实现从物理防伪到数字认证的全链路保护。
当前服务产品：
- 产品ID: {self.product_id}
- 服务类型: 产品专属客服
服务原则：
1. 专业、友好、准确回答用户关于该产品的问题
2. 优先使用产品相关信息回答
3. 对于不确定的信息，明确告知用户
4. 引导用户使用相关功能和服务
5. 当用户需要验证产品真伪时，主动提供二维码扫描功能
可用工具：
- start_qr_scan: 启动二维码扫描功能，用于产品防伪验证
请根据用户问题提供准确、有用的回答。如果用户需要验证产品，请使用二维码扫描工具。"""
self.conversation_history.append({

32
api/products/management/commands/chat.py
View File

@ -99,11 +99,36 @@ class Command(BaseCommand):
type=str,
help='指定历史文件路径 (默认: ~/.aichat_history)'
)
parser.add_argument(
'--chat-type',
type=str,
choices=['platform', 'product'],
default='platform',
help='聊天类型: platform(平台客服) 或 product(产品客服) (默认: platform)'
)
parser.add_argument(
'--product-id',
type=int,
help='产品ID，当chat-type为product时必须提供'
)
def handle(self, *args, **options):
"""执行命令"""
# 参数验证
chat_type = options.get('chat_type')
product_id = options.get('product_id')
if chat_type == 'product' and not product_id:
self.stderr.write("❌ 错误: 当chat-type为product时，必须提供--product-id参数")
self.stderr.write("示例: python manage.py chat --chat-type product --product-id 12345")
return
# 显示系统信息
self.stdout.write("🚀 徵象防伪验证平台 AI客服系统")
self.stdout.write("=" * 50)
self.stdout.write(f"聊天类型: {chat_type.upper()}")
if product_id:
self.stdout.write(f"产品ID: {product_id}")
self.stdout.write("输入 'help' 查看帮助信息")
self.stdout.write("输入 'history' 查看对话历史")
self.stdout.write("输入 'clear' 清空对话历史")
@ -116,8 +141,11 @@ class Command(BaseCommand):
# 初始化readline
readline_config = ReadlineConfig(options.get('history_file'))
# 初始化AI服务
ai_service = AIChatService()
# 初始化AI服务，传递聊天类型和产品ID
ai_service = AIChatService(
chat_type=chat_type,
product_id=product_id
)
self.stdout.write("✅ AI服务初始化成功！")
self.stdout.write("")

618
doc/ai-chat.md
View File

@ -77,18 +77,306 @@ class AIChatService:
- **工具执行**: 模拟5秒扫描过程，返回验证结果
- **工具集成**: 完整的工具调用流程，支持多轮对话
#### 4.1.4 智能能力调度系统（简化版）
- **能力分类**: RAG知识检索、平台服务、一般问答
- **优先级策略**: 平台服务 > RAG知识 > 一般问答
- **智能路由**: 基于规则的快速路由策略
- **降级机制**: 简单的能力降级和回退
- **后续扩展**: 工具执行、网络搜索等高级功能
#### 4.1.4 智能能力调度系统
- **架构选择**: 直接以Tool形式接入Kimi K2，无需复杂路由
- **能力分类**: 知识库检索工具、二维码扫描工具、一般问答
- **调度策略**: 依赖Kimi K2的智能判断，自动选择合适的工具
- **优势**: 实现简单、维护成本低、Kimi K2原生支持
- **扩展性**: 后续可轻松添加更多工具，无需修改路由逻辑
#### 4.1.5 RAG框架集成（简化版）
- **框架选择**: LangChain基础功能
- **文档处理**: 基础分块、简单向量化、相似度检索
- **上下文优化**: 基础分层策略（摘要、完整）
- **检索策略**: 向量相似度检索，关键词匹配作为备选
#### 4.1.5 本地知识库系统
- **存储方案**: 向量数据库 + 文件存储
- **内容类型**: 文字、图片、视频、文档
- **检索策略**: 语义搜索 + 关键词匹配
- **更新机制**: 支持实时更新和版本控制
- **成本优化**: 本地处理，减少API调用
#### 4.1.6 RAG架构设计
```python
class AIChatService:
def __init__(self):
self.client = OpenAI(api_key=KIMI_API_KEY, base_url=KIMI_API_URL)
self.knowledge_base = LocalKnowledgeBase() # 本地知识库
self.tools = self._define_tools()
def chat(self, message: str) -> str:
# 步骤1：从本地知识库检索相关信息
relevant_docs = self.knowledge_base.search(message, k=3)
# 步骤2：构建增强的上下文
enhanced_context = self._build_enhanced_context(message, relevant_docs)
# 步骤3：使用Kimi K2生成回答（基于检索到的信息）
response = self.client.chat.completions.create(
model=self.model,
messages=[
{"role": "system", "content": self.system_prompt + enhanced_context},
{"role": "user", "content": message}
],
tools=self.tools,
tool_choice="auto"
)
# 步骤4：处理工具调用（如果需要）
if response.choices[0].message.tool_calls:
# 执行工具调用逻辑...
pass
# 步骤5：将问答对保存到知识库（可选）
self.knowledge_base.add_qa_pair(message, response.choices[0].message.content)
return response.choices[0].message.content
def _build_enhanced_context(self, query: str, docs: List[Document]) -> str:
"""构建增强的上下文信息"""
if not docs:
return ""
context = "\n\n相关参考信息：\n"
for i, doc in enumerate(docs, 1):
context += f"{i}. {doc.page_content}\n"
context += f"\n请基于以上信息回答用户问题：{query}"
return context
```
**RAG流程**：
- **检索(Retrieval)**：从本地知识库找到相关信息
- **增强(Augmentation)**：将检索到的信息作为上下文
- **生成(Generation)**：Kimi K2基于增强的上下文生成回答
#### 4.1.7 本地知识库实现
```python
class LocalKnowledgeBase:
def __init__(self):
# 使用轻量级向量数据库
self.vector_store = Chroma(
embedding_function=OpenAIEmbeddings(api_key=KIMI_API_KEY),
persist_directory="./knowledge_base"
)
self.file_storage = FileStorage() # 文件存储
def search(self, query: str, k: int = 3, threshold: float = 0.5) -> List[Document]:
"""搜索本地知识库，返回相关文档列表"""
# 语义搜索
results = self.vector_store.similarity_search_with_score(query, k=k)
# 过滤低置信度结果，但保留更多候选
filtered_results = [r for r in results if r[1] > threshold]
# 转换为Document对象列表
documents = []
for doc, score in filtered_results:
documents.append(Document(
page_content=doc.page_content,
metadata={
**doc.metadata,
'similarity_score': score
}
))
return documents
def add_content(self, content: str, content_type: str, metadata: dict):
"""添加内容到知识库"""
# 文本内容直接向量化
if content_type == 'text':
self.vector_store.add_texts([content], [metadata])
# 图片内容使用OCR提取文本
elif content_type == 'image':
text = self._extract_text_from_image(content)
self.vector_store.add_texts([text], [metadata])
# 视频内容提取关键帧和音频
elif content_type == 'video':
frames = self._extract_key_frames(content)
audio_text = self._extract_audio_text(content)
self.vector_store.add_texts([audio_text], [metadata])
def add_qa_pair(self, question: str, answer: str):
"""添加问答对到知识库"""
qa_text = f"问题：{question}\n答案：{answer}"
metadata = {
'type': 'qa_pair',
'question': question,
'answer': answer,
'created_at': datetime.now().isoformat()
}
self.vector_store.add_texts([qa_text], [metadata])
```
**技术特点**：
- **轻量级**：使用Chroma向量数据库，无需复杂部署
- **多模态**：支持文字、图片、视频内容
- **实时更新**：支持动态添加和更新内容
- **成本优化**：本地处理，减少API调用
#### 4.1.8 完整RAG实现示例
```python
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.document_loaders import TextLoader, ImageLoader, VideoLoader
class RAGService:
def __init__(self):
self.embeddings = OpenAIEmbeddings(api_key=KIMI_API_KEY)
self.text_splitter = RecursiveCharacterTextSplitter(
chunk_size=1000,
chunk_overlap=200
)
self.vector_store = Chroma(
embedding_function=self.embeddings,
persist_directory="./knowledge_base"
)
def add_document(self, file_path: str, content_type: str):
"""添加文档到知识库"""
if content_type == 'text':
loader = TextLoader(file_path)
elif content_type == 'image':
loader = ImageLoader(file_path)
elif content_type == 'video':
loader = VideoLoader(file_path)
else:
raise ValueError(f"不支持的内容类型: {content_type}")
documents = loader.load()
# 分块处理
chunks = self.text_splitter.split_documents(documents)
# 添加到向量数据库
self.vector_store.add_documents(chunks)
def retrieve_context(self, query: str, k: int = 3) -> str:
"""检索相关上下文"""
docs = self.vector_store.similarity_search(query, k=k)
context = "\n\n".join([doc.page_content for doc in docs])
return context
def generate_answer(self, query: str, context: str) -> str:
"""使用Kimi K2生成回答"""
enhanced_prompt = f"""
基于以下参考信息回答用户问题：
参考信息：
{context}
用户问题：{query}
请基于参考信息提供准确、详细的回答。如果参考信息不足以回答问题，请明确说明。
"""
response = self.client.chat.completions.create(
model="kimi-k2-0711-preview",
messages=[
{"role": "system", "content": "你是徵象防伪验证平台的AI助手，请基于提供的参考信息回答问题。"},
{"role": "user", "content": enhanced_prompt}
],
temperature=0.7,
max_tokens=2000
)
return response.choices[0].message.content
# 使用示例
rag_service = RAGService()
# 添加文档
rag_service.add_document("产品说明.txt", "text")
rag_service.add_document("防伪标识.jpg", "image")
rag_service.add_document("操作演示.mp4", "video")
# 问答流程
query = "如何验证产品真伪？"
context = rag_service.retrieve_context(query)
answer = rag_service.generate_answer(query, context)
```
**RAG优势**：
- **信息可控**：检索到的信息来自平台知识库
- **回答质量**：Kimi K2基于准确信息生成高质量回答
- **成本优化**：避免重复的API调用，知识库一次构建多次使用
- **专业性强**：平台专业知识 + AI生成能力
#### 4.1.9 架构选择说明
**为什么选择直接以Tool形式接入Kimi K2？**
1. **符合Kimi K2设计理念**
- Kimi K2本身就是为工具调用设计的
- 原生支持Function Calling，无需额外路由层
- AI能根据上下文智能选择合适的工具
2. **实现简单，维护成本低**
- 代码逻辑清晰，易于理解和维护
- 避免复杂的if-else路由规则
- 减少系统复杂度，降低出错概率
3. **足够灵活，扩展性好**
- 可以轻松添加新的工具
- 工具优先级通过描述和系统提示词控制
- 支持复杂的工具组合调用
4. **性能优势**
- 减少额外的路由判断逻辑
- 直接利用Kimi K2的智能判断能力
- 避免不必要的中间层处理
**具体实现方式**：
```python
def _define_tools(self):
return [
{
"type": "function",
"function": {
"name": "search_knowledge_base",
"description": "搜索徵象平台知识库，获取产品信息、防伪验证方法、技术文档等相关内容。当用户询问平台相关问题时，优先使用此工具。",
"parameters": {
"type": "object",
"properties": {
"query": {
"type": "string",
"description": "搜索查询，支持中文关键词"
},
"content_type": {
"type": "string",
"enum": ["all", "text", "image", "video"],
"description": "内容类型过滤"
}
},
"required": ["query"]
}
}
},
{
"type": "function",
"function": {
"name": "start_qr_scan",
"description": "启动二维码扫描功能，用于产品防伪验证。当用户需要验证产品真伪时使用。",
"parameters": {
"type": "object",
"properties": {},
"required": []
}
}
}
]
```
**系统提示词优化**：
```python
system_prompt = """你是一个专业的徵象防伪验证平台AI客服助手。
使用策略：
1. 当用户询问平台相关问题时，优先使用search_knowledge_base工具搜索知识库
2. 当用户需要验证产品真伪时，使用start_qr_scan工具启动扫描
3. 基于检索到的信息，结合你的知识，提供准确、详细的回答
4. 如果知识库信息不足，可以结合你的通用知识回答，但要明确说明信息来源
工具优先级：知识库搜索 > 二维码扫描 > 一般问答
"""
```
### 4.2 数据模型扩展
@ -161,6 +449,11 @@ class Tenant(models.Model):
ai_brand_name = models.CharField(max_length=100, null=True, blank=True, verbose_name="AI品牌名称")
ai_welcome_message = models.TextField(null=True, blank=True, verbose_name="AI欢迎语")
ai_theme_colors = models.JSONField(null=True, blank=True, verbose_name="AI主题色彩")
# TODO: 在MiniProgramContent模型中添加enable_ai_chat字段
# class MiniProgramContent(models.Model):
# # ... 现有字段 ...
# enable_ai_chat = models.BooleanField(default=False, verbose_name="启用AI客服")
```
### 4.3 后端API设计
@ -413,6 +706,12 @@ Page({
- 头像和图标上传
- 回答风格调整
#### 4.5.3 首页AI客服开关
- TODO: 在MiniProgramContent中添加enable_ai_chat字段
- 后台管理：简单的on/off开关
- 小程序端：判断bool值，如果为true则跳转到chat页面
- 实现方式：几行代码即可完成
#### 4.5.3 平台知识库管理（简化版）
- 平台介绍内容（4000字）的基础分块
- 分层内容策略：摘要、完整两个层次
@ -427,74 +726,6 @@ Page({
## 5. 技术实现细节
### 5.1 AI Prompt工程
#### 5.1.1 系统Prompt模板 ✅ **已实现**
```
你是一个专业的徵象防伪验证平台AI客服助手。
平台介绍：
徵象是由广州市诚投科技有限公司开发的AI驱动的智能防伪平台，通过多模态特征识别构建新一代防伪验证体系，实现从物理防伪到数字认证的全链路保护。系统采用ISO 12931国际防伪标准，已获取国家发明专利(证书编号:CN 115222000 B)。
服务范围：
1. 商品防伪验证
2. 证件安全验证
3. 工业品防伪
4. 品牌数字化服务
服务原则：
1. 专业、友好、准确回答用户问题
2. 优先使用官方信息回答
3. 对于不确定的信息，明确告知用户
4. 引导用户使用相关功能和服务
5. 当用户需要验证产品真伪时，主动提供二维码扫描功能
可用工具：
- start_qr_scan: 启动二维码扫描功能，用于产品防伪验证
请根据用户问题提供准确、有用的回答。如果用户需要验证产品，请使用二维码扫描工具。
```
#### 5.1.2 平台客服Prompt模板
```
你是一个专业的徵象防伪验证平台客服助手。
平台介绍：
徵象是由广州市诚投科技有限公司开发的AI驱动的智能防伪平台，通过多模态特征识别构建新一代防伪验证体系，实现从物理防伪到数字认证的全链路保护。系统采用ISO 12931国际防伪标准，已获取国家发明专利(证书编号:CN 115222000 B)。
服务范围：
1. 商品防伪验证
2. 证件安全验证
3. 工业品防伪
4. 品牌数字化服务
服务原则：
1. 专业、友好、准确回答用户问题
2. 优先使用官方信息回答
3. 对于不确定的信息，明确告知用户
4. 引导用户使用相关功能和服务
请根据用户问题提供准确、有用的回答。
```
#### 5.1.2 动态Prompt构建
```python
def build_dynamic_prompt(self, message, context, tenant_context):
# 获取品牌知识
knowledge = self._get_relevant_knowledge(message, tenant_context)
# 获取产品信息
product_info = self._get_product_info(context.get('serial_code'))
# 构建完整prompt
prompt = self._get_system_prompt(tenant_context)
prompt += f"\n\n相关产品信息：{product_info}"
prompt += f"\n\n品牌知识：{knowledge}"
prompt += f"\n\n用户问题：{message}"
return prompt
```
#### 5.1.3 智能能力路由（简化版）
```python
def route_capability(self, query, context):
@ -566,30 +797,106 @@ function renderContent(content, type) {
- 简单性能监控
- 后续版本支持高级功能
## 6. 部署和运维
### 5.5 上下文长度管理
### 6.1 环境配置 ✅ **已实现**
```bash
# Django设置配置 (emblemapi/settings.py)
KIMI_API_KEY = "sk-IKA7ZnDrv44mfaorjF5UZjSsml66yaBNdcrASJsV90hCSdgn"
KIMI_API_URL = "https://api.moonshot.cn/v1"
#### 5.5.1 当前问题
- **无限累积**：对话历史无限制增长
- **Token超限**：可能超出API的token限制
- **内存占用**：长时间对话占用大量内存
- **API失败**：超长历史可能导致API调用失败
# 环境变量支持
KIMI_API_KEY = os.environ.get("KIMI_API_KEY", "default_key")
KIMI_API_URL = os.environ.get("KIMI_API_URL", "https://api.moonshot.cn/v1")
#### 5.5.2 优化策略
```python
class AIChatService:
def __init__(self, api_key: str = None, base_url: str = None):
# ... 现有代码 ...
self.max_history_length = 20 # 最大历史记录数
self.max_tokens_per_message = 1000 # 每条消息最大token数
def _truncate_history(self):
"""截断对话历史，保持上下文长度"""
if len(self.conversation_history) > self.max_history_length:
# 保留系统提示词和最近的对话
system_message = self.conversation_history[0] # 系统提示词
recent_messages = self.conversation_history[-self.max_history_length+1:]
self.conversation_history = [system_message] + recent_messages
def _estimate_tokens(self, text: str) -> int:
"""估算文本的token数量（简化版）"""
# 中文约1.5字符=1token，英文约4字符=1token
chinese_chars = len([c for c in text if '\u4e00' <= c <= '\u9fff'])
english_chars = len(text) - chinese_chars
return int(chinese_chars / 1.5 + english_chars / 4)
def _smart_truncate(self):
"""智能截断：基于token数量而非消息数量"""
total_tokens = sum(self._estimate_tokens(msg['content']) for msg in self.conversation_history)
max_total_tokens = 4000 # 预留1000token给AI回复
if total_tokens > max_total_tokens:
# 保留系统提示词和最近的对话，直到token数合适
system_message = self.conversation_history[0]
truncated_history = [system_message]
for msg in reversed(self.conversation_history[1:]):
truncated_history.insert(1, msg)
current_tokens = sum(self._estimate_tokens(m['content']) for m in truncated_history)
if current_tokens > max_total_tokens:
truncated_history.pop(1) # 移除刚添加的消息
break
self.conversation_history = truncated_history
```
### 6.2 监控和日志
- AI API调用监控
- 响应时间统计
- 错误率监控
- 用户满意度反馈
#### 5.5.3 分层历史策略
```python
def _build_context_aware_history(self, user_message: str) -> List[Dict]:
"""构建上下文感知的对话历史"""
# 策略1：保留最近的N轮对话
recent_messages = self.conversation_history[-10:] # 最近10轮
# 策略2：保留关键信息（如工具调用结果）
important_messages = [msg for msg in self.conversation_history
if msg.get('role') == 'tool' or '重要' in msg.get('content', '')]
# 策略3：动态调整：根据用户问题复杂度决定保留多少历史
if '刚才' in user_message or '之前' in user_message:
# 用户引用之前内容，保留更多历史
context_messages = self.conversation_history[-15:]
else:
# 新话题，保留较少历史
context_messages = self.conversation_history[-5:]
return [self.conversation_history[0]] + context_messages # 系统提示词 + 上下文
```
### 6.3 性能优化
- 响应缓存
- 异步处理
- 负载均衡
- 数据库优化
#### 5.5.4 错误处理和降级
```python
def chat(self, user_message: str) -> str:
try:
# 智能截断历史
self._smart_truncate()
# 调用API
response = self.client.chat.completions.create(
model=self.model,
messages=self.conversation_history,
tools=self.tools,
tool_choice="auto",
temperature=0.7,
max_tokens=2000
)
# ... 处理响应 ...
except Exception as e:
if "context_length_exceeded" in str(e) or "token_limit" in str(e):
# Token超限，截断历史重试
self._truncate_history()
return self.chat(user_message) # 递归重试
else:
return f"AI服务调用失败: {str(e)}"
```
## 7. 安全考虑
@ -600,30 +907,9 @@ KIMI_API_URL = os.environ.get("KIMI_API_URL", "https://api.moonshot.cn/v1")
- 访问权限控制
### 7.2 系统安全
- 防SQL注入
- 防XSS攻击
- 请求频率限制
- 异常监控告警
## 8. 测试策略
### 8.1 功能测试
- AI对话准确性测试
- 多模态内容展示测试
- 品牌定制功能测试
- 异常情况处理测试
### 8.2 性能测试
- 并发用户测试
- 响应时间测试
- 内存使用测试
- 数据库性能测试
### 8.3 集成测试
- 与现有系统集成测试
- 第三方API集成测试
- 端到端流程测试
## 9. 项目计划
### 9.1 开发阶段
@ -634,12 +920,12 @@ KIMI_API_URL = os.environ.get("KIMI_API_URL", "https://api.moonshot.cn/v1")
- 工具调用系统 ✅
- Django管理命令 ✅
2. **第二阶段 (1周)**: AI能力扩展
- LangChain RAG基础集成
- 知识库检索工具集成
- 平台知识库（简化版）
- 智能路由基础功能
3. **第三阶段 (1周)**: 前端界面和内容管理
- 工具调用优化和扩展
3. **第三阶段 (1周)**: 小程序集成和内容管理
- 小程序AI聊天界面（核心功能）
- Web管理端（基础配置）
- 小程序与AI服务的集成
- 内容管理基础功能
4. **第四阶段 (1周)**: 集成测试和部署
- 功能测试和bug修复
@ -648,78 +934,36 @@ KIMI_API_URL = os.environ.get("KIMI_API_URL", "https://api.moonshot.cn/v1")
### 9.2 里程碑
- Week 1: 完成核心架构和基础AI聊天功能 ✅ **已完成**
- Week 2: 完成RAG系统和智能路由基础功能
- Week 3: 完成前端界面和内容管理
- Week 2: 完成知识库检索工具和RAG系统基础功能
- Week 3: 完成小程序AI聊天集成和内容管理
- Week 4: 完成测试、优化和上线
## 10. 风险评估
### 10.1 技术风险
- AI API稳定性风险
- 多模态内容处理复杂度
- 性能瓶颈风险
- 开发时间压缩导致的代码质量风险
- 功能简化可能影响用户体验
- 测试时间不足的风险
### 10.2 业务风险
- 用户接受度风险
- 内容管理复杂度
- 成本控制风险
### 10.3 缓解措施
### 10.3 Backup
- 多AI服务商备选方案
- 渐进式功能发布
- 用户反馈快速迭代
- 功能优先级排序，核心功能优先
- 代码复用和模板化开发
- 自动化测试和部署
## 11. 总结
本技术方案基于现有徵象系统架构，通过AI服务集成、数据模型扩展、前后端界面开发，实现品牌专属AI客服功能。方案考虑了技术可行性、系统集成、用户体验和运维管理等各个方面，为项目的成功实施提供了全面的技术指导。
### 11.1 技术亮点
- **智能能力调度**: 基于优先级的多能力协调系统，支持RAG、平台服务、一般问答
- **RAG框架集成**: 基于LangChain的智能文档处理和向量检索
- **分层内容策略**: 4000字平台介绍的基础分块和内容选择
- **检索策略**: 向量相似度检索，关键词匹配作为备选
- **MVP策略**: 核心功能先行，后续版本迭代优化
### 11.2 开发周期
- **总周期**: 4周（压缩版）
- **核心功能**: AI聊天、RAG知识检索、智能路由、基础内容管理
- **技术栈**: Django + Kimi K2 + LangChain（简化版）+ 基础向量存储
- **开发策略**: MVP优先，核心功能先行，后续迭代优化
- **核心功能**: AI聊天、RAG知识检索、工具调用、小程序集成、基础内容管理
- **技术栈**: Django + Kimi K2 + LangChain（知识库管理）+ 微信小程序 + 基础向量存储
- **开发策略**: MVP优先，核心功能先行，小程序集成优先，后续迭代优化
### 11.3 当前实现状态 ✅ **已完成功能**
### 11.3 架构设计总结
#### **核心AI聊天系统**
- ✅ AIChatService 类实现
- ✅ Kimi K2 API 集成
- ✅ 工具调用系统（start_qr_scan）
- ✅ 对话历史管理
- ✅ 系统提示词配置
**核心架构选择：直接以Tool形式接入Kimi K2**
#### **Django管理命令**
- ✅ `python manage.py chat` 命令
- ✅ 完整的readline支持
- ✅ 历史记录持久化
- ✅ 快捷键和补全功能
1. **简化设计**：避免复杂的能力调度和路由逻辑
2. **原生支持**：充分利用Kimi K2的Function Calling能力
3. **易于维护**：代码结构清晰，逻辑简单
4. **扩展性好**：后续可以轻松添加更多工具
#### **文件结构**
```
api/products/
├── aichat.py # 核心AI聊天库 ✅
├── management/
│ └── commands/
│ └── chat.py # Django管理命令 ✅
└── README_AI_CHAT.md # 使用文档 ✅
```
**RAG实现方式**：
- 知识库检索作为工具提供给Kimi K2
- AI根据用户问题自动选择是否使用知识库
- 基于检索结果生成高质量回答
- 无需手动路由，完全依赖AI智能判断
#### **配置管理**
- ✅ Django settings.py 集成
- ✅ 环境变量支持
- ✅ 默认配置值
通过分阶段开发和迭代优化，可以确保系统稳定性和用户满意度，同时为后续功能扩展奠定良好基础。第一阶段的核心功能已经完成，为后续开发提供了坚实的基础。
**技术优势**：
- 减少系统复杂度
- 降低维护成本
- 提高系统稳定性
- 保持架构简洁性