add chat type

api/products/README_AI_CHAT.md

@@ -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

api/products/aichat.py

@@ -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({

api/products/management/commands/chat.py

@@ -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
+            # 初始化AI服务，传递聊天类型和产品ID
-            ai_service = AIChatService()
+            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("")
             

doc/ai-chat.md

@@ -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）
+#### 4.1.4 智能能力调度系统
-- **能力分类**: RAG知识检索、平台服务、一般问答
+- **架构选择**: 直接以Tool形式接入Kimi K2，无需复杂路由
-- **优先级策略**: 平台服务 > RAG知识 > 一般问答
+- **能力分类**: 知识库检索工具、二维码扫描工具、一般问答
-- **智能路由**: 基于规则的快速路由策略
+- **调度策略**: 依赖Kimi K2的智能判断，自动选择合适的工具
-- **降级机制**: 简单的能力降级和回退
+- **优势**: 实现简单、维护成本低、Kimi K2原生支持
-- **后续扩展**: 工具执行、网络搜索等高级功能
+- **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）
+#### 4.1.5 本地知识库系统
-- **框架选择**: LangChain基础功能
+- **存储方案**: 向量数据库 + 文件存储
-- **文档处理**: 基础分块、简单向量化、相似度检索
+- **内容类型**: 文字、图片、视频、文档
-- **上下文优化**: 基础分层策略（摘要、完整）
+- **检索策略**: 语义搜索 + 关键词匹配
-- **检索策略**: 向量相似度检索，关键词匹配作为备选
+- **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**
+#### 5.5.1 当前问题
-```bash
+- **无限累积**：对话历史无限制增长
-# Django设置配置 (emblemapi/settings.py)
+- **Token超限**：可能超出API的token限制
-KIMI_API_KEY = "sk-IKA7ZnDrv44mfaorjF5UZjSsml66yaBNdcrASJsV90hCSdgn"
+- **内存占用**：长时间对话占用大量内存
-KIMI_API_URL = "https://api.moonshot.cn/v1"
+- **API失败**：超长历史可能导致API调用失败
 
-# 环境变量支持
+#### 5.5.2 优化策略
-KIMI_API_KEY = os.environ.get("KIMI_API_KEY", "default_key")
+```python
-KIMI_API_URL = os.environ.get("KIMI_API_URL", "https://api.moonshot.cn/v1")
+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
+#### 5.5.3 分层历史策略
-- AI API调用监控
+```python
-- 响应时间统计
+def _build_context_aware_history(self, user_message: str) -> List[Dict]:
-- 错误率监控
+    """构建上下文感知的对话历史"""
-- 用户满意度反馈
+    # 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
+#### 5.5.4 错误处理和降级
-- 响应缓存
+```python
-- 异步处理
+def chat(self, user_message: str) -> str:
-- 负载均衡
+    try:
-- 数据库优化
+        # 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
+   - 工具调用优化和扩展
-3. **第三阶段 (1周)**: 前端界面和内容管理
+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 2: 完成知识库检索工具和RAG系统基础功能
-- Week 3: 完成前端界面和内容管理
+- 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
+### 10.3 Backup
-
-### 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
 - 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
+- **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（简化版）+ 基础向量存储
+- **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，后续迭代优化
+- **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**
+**核心架构选择：直接以Tool形式接入Kimi K2**
-- ✅ 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
 
-#### **Django管理命令**
+1. **简化设计**：避免复杂的能力调度和路由逻辑
-- ✅ `python manage.py chat` 命令
+2. **原生支持**：充分利用Kimi K2的Function Calling能力
-- ✅ 完整的readline支持
+3. **易于维护**：代码结构清晰，逻辑简单
-- ✅ 历史记录持久化
+4. **扩展性好**：后续可以轻松添加更多工具
-- ✅ 快捷键和补全功能
 
-#### **文件结构**
+**RAG实现方式**：
-```
+- 知识库检索作为工具提供给Kimi K2
-api/products/
+- AI根据用户问题自动选择是否使用知识库
-├── aichat.py                    # 核心AI聊天库 ✅
+- 基于检索结果生成高质量回答
-├── management/
+- 无需手动路由，完全依赖AI智能判断
-│   └── commands/
-│       └── chat.py             # Django管理命令 ✅
-└── README_AI_CHAT.md           # 使用文档 ✅
-```
 
-#### **配置管理**
+**技术优势**：
-- ✅ Django settings.py 集成
+- 减少系统复杂度
-- ✅ 环境变量支持
+- 降低维护成本
-- ✅ 默认配置值
+- 提高系统稳定性
-
+- 保持架构简洁性
-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。