# AI聊天功能技术实现计划

## 1. 项目概述

基于现有徵象防伪验证系统，扩展AI客服聊天功能，继承Kimi K2大模型能力，为每个品牌租户提供个性化的AI客服服务。

## 2. 需求分析

### 2.1 核心功能需求
- 接入Kimi K2或其他AI大模型API
- 品牌专属AI客服，独立回答本品牌产品相关问题
- 多模态回答：文字、图片、视频链接、微信小程序码等
- 联网搜索，以品牌官方信息为主
- 支持客户上传额外内容供AI学习
- 验证失败时提供对话式结果展示
- 支持品牌色调定制

### 2.2 技术约束
- 保留原有传统查询页面
- 通过序列码批次管理选择使用页面类型
- 与现有防伪验证流程集成

## 3. 系统架构设计

### 3.1 整体架构
```
┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   小程序前端     │    │    Web管理端     │    │   AI服务层      │
│  (AI聊天界面)    │◄──►│  (内容管理)      │◄──►│  (Kimi K2 API) │
└─────────────────┘    └─────────────────┘    └─────────────────┘
         │                       │                       │
         ▼                       ▼                       ▼
┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   验证服务      │    │   内容存储      │    │   知识库管理    │
│  (二维码识别)    │    │  (OSS/数据库)    │    │  (品牌知识)     │
└─────────────────┘    └─────────────────┘    └─────────────────┘
```

### 3.2 数据流设计
1. 用户扫描二维码 → 验证服务
2. 验证结果 → AI聊天界面
3. 用户提问 → AI服务层处理
4. AI回答 → 返回多模态内容
5. 用户反馈 → 知识库更新

## 4. 技术实现方案

### 4.1 AI模型集成

#### 4.1.1 模型选择
- **主要模型**: Kimi K2 API
- **备选模型**: 智谱AI (ChatGLM)、百度文心一言
- **理由**: Kimi K2在中文理解、多模态处理和联网搜索方面表现优秀，API稳定可靠，特别适合品牌客服场景

#### 4.1.2 API集成架构
```python
# api/products/ai_service.py
class AIService:
    def __init__(self, tenant_id, model_config):
        self.tenant_id = tenant_id
        self.model_config = model_config
        self.client = self._init_client()
    
    def chat(self, message, context, tenant_context):
        # 构建prompt
        prompt = self._build_prompt(message, context, tenant_context)
        # 调用Kimi K2 API
        response = self._call_kimi_api(prompt)
        # 后处理
        return self._post_process(response)
    
    def _call_kimi_api(self, prompt):
        # 调用Kimi K2 API，支持联网搜索和多模态处理
        pass
    
    def _build_prompt(self, message, context, tenant_context):
        # 包含品牌信息、产品知识、用户上下文
        pass
```

#### 4.1.3 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 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

### 4.2 数据模型扩展

#### 4.2.1 新增数据表
```python
# api/products/models.py

class AIConfig(models.Model):
    """AI配置表"""
    tenant = models.ForeignKey(Tenant, on_delete=models.CASCADE)
    model_provider = models.CharField(max_length=50, default='kimi')
    api_key = models.CharField(max_length=255)
    model_name = models.CharField(max_length=100, default='kimi-k2')
    
class BrandKnowledge(models.Model):
    """品牌知识库"""
    tenant = models.ForeignKey(Tenant, on_delete=models.CASCADE)
    title = models.CharField(max_length=200)
    content = models.TextField()
    content_type = models.CharField(max_length=20)  # text, image, video, link
    file_url = models.URLField(null=True, blank=True)
    priority = models.IntegerField(default=0)
    created_at = models.DateTimeField(auto_now_add=True)
    
class PlatformKnowledge(models.Model):
    """平台知识库"""
    title = models.CharField(max_length=200)
    content = models.TextField()
    content_type = models.CharField(max_length=20, choices=[
        ('platform_intro', '平台介绍'),
        ('service_guide', '服务指南'),
        ('faq', '常见问题')
    ])
    ai_summary = models.TextField(null=True, blank=True, verbose_name="AI摘要版本")
    ai_segments = models.JSONField(default=dict, verbose_name="AI分段内容")
    ai_keywords = models.JSONField(default=list, verbose_name="AI关键词")
    is_platform_content = models.BooleanField(default=True)
    ai_priority = models.IntegerField(default=0)
    created_at = models.DateTimeField(auto_now_add=True)
    
class ChatSession(models.Model):
    """聊天会话"""
    session_id = models.CharField(max_length=100, unique=True)
    tenant = models.ForeignKey(Tenant, on_delete=models.CASCADE)
    user_openid = models.CharField(max_length=100, null=True)
    created_at = models.DateTimeField(auto_now_add=True)
    last_active = models.DateTimeField(auto_now=True)
    
class ChatMessage(models.Model):
    """聊天消息"""
    session = models.ForeignKey(ChatSession, on_delete=models.CASCADE)
    role = models.CharField(max_length=20)  # user, assistant, system
    content = models.TextField()
    content_type = models.CharField(max_length=20, default='text')
    metadata = models.JSONField(default=dict)
    created_at = models.DateTimeField(auto_now_add=True)
```

#### 4.2.2 现有模型扩展
```python
# 扩展CodeBatch模型
class CodeBatch(models.Model):
    # ... 现有字段 ...
    enable_ai_chat = models.BooleanField(default=False, verbose_name="启用AI聊天")
    ai_chat_config = models.JSONField(null=True, blank=True, verbose_name="AI聊天配置")
    
# 扩展Tenant模型  
class Tenant(models.Model):
    # ... 现有字段 ...
    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")
```

### 4.3 后端API设计

#### 4.3.1 AI聊天API
```python
# api/products/views.py

class AIChatView(BaseView):
    name = 'ai-chat'
    auth_check = 'tenant'
    
    def post(self, request):
        """发送消息给AI"""
        session_id = request.data.get('session_id')
        message = request.data.get('message')
        context = request.data.get('context', {})
        
        # 获取或创建会话
        session = self._get_or_create_session(session_id, request.tenant)
        
        # 调用AI服务
        ai_service = AIService(request.tenant.id)
        response = ai_service.chat(message, context, self._get_tenant_context(request.tenant))
        
        # 保存消息记录
        self._save_message(session, 'user', message)
        self._save_message(session, 'assistant', response)
        
        return JsonResponse({
            'session_id': session.session_id,
            'response': response
        })
    
    def get(self, request):
        """获取聊天历史"""
        session_id = request.GET.get('session_id')
        if not session_id:
            return http400("session_id required")
            
        session = ChatSession.objects.filter(
            session_id=session_id,
            tenant=request.tenant
        ).first()
        
        if not session:
            return http404("Session not found")
            
        messages = ChatMessage.objects.filter(session=session).order_by('created_at')
        return JsonResponse({
            'messages': [self._serialize_message(m) for m in messages]
        })

class BrandKnowledgeView(BaseView):
    name = 'brand-knowledge'
    auth_check = 'tenant'
    
    def post(self, request):
        """上传品牌知识"""
        title = request.data.get('title')
        content = request.data.get('content')
        content_type = request.data.get('content_type', 'text')
        file_url = request.data.get('file_url')
        
        knowledge = BrandKnowledge.objects.create(
            tenant=request.tenant,
            title=title,
            content=content,
            content_type=content_type,
            file_url=file_url
        )
        
        return JsonResponse({'id': knowledge.id})
```

#### 4.3.2 配置管理API
```python
class AIConfigView(BaseView):
    name = 'ai-config'
    auth_check = 'tenant'
    
    def get(self, request):
        """获取AI配置"""
        config = AIConfig.objects.filter(tenant=request.tenant).first()
        if not config:
            config = AIConfig.objects.create(tenant=request.tenant)
        
        return JsonResponse({
            'model_provider': config.model_provider,
            'model_name': config.model_name,
            'temperature': config.temperature,
            'max_tokens': config.max_tokens,
            'is_active': config.is_active
        })
    
    def patch(self, request):
        """更新AI配置"""
        config = AIConfig.objects.filter(tenant=request.tenant).first()
        if not config:
            config = AIConfig.objects.create(tenant=request.tenant)
        
        for field in ['model_provider', 'model_name', 'temperature', 'max_tokens', 'is_active']:
            if field in request.data:
                setattr(config, field, request.data[field])
        
        config.save()
        return JsonResponse({'status': 'success'})
```

### 4.4 前端界面设计

#### 4.4.1 小程序AI聊天界面
```javascript
// scanner/pages/chat/chat.js
Page({
    data: {
        messages: [],
        inputValue: '',
        sessionId: null,
        tenant: null,
        loading: false
    },
    
    onLoad(options) {
        this.initChat(options);
    },
    
    async initChat(options) {
        // 获取租户信息
        const tenant = await this.getTenantInfo(options.tenant);
        this.setData({ tenant });
        
        // 创建或获取会话
        const sessionId = await this.createChatSession(tenant.id);
        this.setData({ sessionId });
        
        // 显示欢迎消息
        this.showWelcomeMessage(tenant);
        
        // 如果有验证结果，显示相关产品信息
        if (options.serial_code) {
            await this.showProductInfo(options.serial_code);
        }
    },
    
    async sendMessage() {
        if (!this.data.inputValue.trim()) return;
        
        const message = this.data.inputValue;
        this.addMessage('user', message);
        this.setData({ inputValue: '', loading: true });
        
        try {
            const response = await this.callAIChat(message);
            this.addMessage('assistant', response);
        } catch (error) {
            this.addMessage('system', '抱歉，AI服务暂时不可用，请稍后再试。');
        } finally {
            this.setData({ loading: false });
        }
    },
    
    async callAIChat(message) {
        const response = await wx.request({
            url: `${this.data.tenant.server_url}/api/v1/ai-chat/`,
            method: 'POST',
            data: {
                session_id: this.data.sessionId,
                message: message,
                context: this.getContext()
            },
            header: {
                'Authorization': `token ${this.data.tenant.token}`
            }
        });
        
        return response.data.response;
    }
});
```

#### 4.4.2 Web管理端界面
```vue
<!-- web/src/views/ai-config.vue -->
<template>
  <div class="ai-config">
    <CCard>
      <CCardHeader>
        <h4>AI聊天配置</h4>
      </CCardHeader>
      <CCardBody>
        <CForm>
          <CFormGroup label="AI模型提供商">
            <CSelect v-model="config.model_provider">
              <option value="kimi">Kimi K2</option>
              <option value="zhipu">智谱AI</option>
              <option value="baidu">百度文心一言</option>
            </CSelect>
          </CFormGroup>
          
          <CFormGroup label="API密钥">
            <CInput v-model="config.api_key" type="password" />
          </CFormGroup>
          
          <CFormGroup label="模型名称">
            <CInput v-model="config.model_name" />
          </CFormGroup>
          
          <CFormGroup label="温度">
            <CInput v-model="config.temperature" type="number" step="0.1" min="0" max="2" />
          </CFormGroup>
          
          <CFormGroup label="最大Token数">
            <CInput v-model="config.max_tokens" type="number" />
          </CFormGroup>
          
          <CButton color="primary" @click="saveConfig">保存配置</CButton>
        </CForm>
      </CCardBody>
    </CCard>
    
    <CCard class="mt-4">
      <CCardHeader>
        <h4>品牌知识库</h4>
        <CButton color="success" @click="showAddKnowledge">添加知识</CButton>
      </CCardHeader>
      <CCardBody>
        <CTable :items="knowledgeList" :fields="knowledgeFields">
          <template #actions="{ item }">
            <CButton color="danger" size="sm" @click="deleteKnowledge(item.id)">删除</CButton>
          </template>
        </CTable>
      </CCardBody>
    </CCard>
  </div>
</template>
```

### 4.5 内容管理系统

#### 4.5.1 知识库管理
- 支持文本、图片、视频、链接等多种内容类型
- 内容优先级设置
- 内容分类标签
- 版本控制

#### 4.5.2 品牌定制
- 品牌色调配置
- 欢迎语定制
- 头像和图标上传
- 回答风格调整

#### 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
- 基于关键词的简单内容选择
- 基础内容压缩，避免信息过载

#### 4.5.4 智能内容处理（简化版）
- 基于LangChain的文档基础预处理
- 简单分块策略：按段落和句子分割
- 基础内容压缩：摘要和完整内容
- 固定上下文长度，简化Token管理

## 5. 技术实现细节

### 5.1 AI Prompt工程

#### 5.1.1 系统Prompt模板
```
你是一个专业的品牌客服助手，专门为{品牌名称}提供产品咨询和服务。

品牌信息：
{品牌背景介绍}

产品知识：
{产品相关信息}

服务原则：
1. 只回答与{品牌名称}相关的问题
2. 不评价竞品，不与竞品对比
3. 优先使用官方信息回答
4. 对于不确定的信息，明确告知用户
5. 保持专业、友好的服务态度

用户上下文：
{用户验证的产品信息、历史对话等}

请根据以上信息，为用户提供准确、有用的回答。
```

#### 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):
    # 基于规则的快速路由
    capability = self._rule_based_routing(query)
    
    # 根据能力类型构建相应的Prompt
    if capability == "rag_knowledge":
        return self._build_rag_prompt(query, context)
    elif capability == "platform_service":
        return self._build_platform_prompt(query, context)
    else:
        return self._build_general_prompt(query, context)
```

### 5.2 多模态内容处理

#### 5.2.1 内容类型支持
- **文本**: 直接返回
- **图片**: 上传到OSS，返回URL
- **视频**: 支持微信视频号链接
- **链接**: 小程序码、商城链接等
- **富文本**: Markdown格式支持

#### 5.2.2 内容渲染
```javascript
// 内容渲染组件
function renderContent(content, type) {
    switch (type) {
        case 'text':
            return <Text>{content}</Text>;
        case 'image':
            return <Image src={content} mode="widthFix" />;
        case 'video':
            return <Video src={content} />;
        case 'link':
            return <Link href={content.url} text={content.text} />;
        case 'rich_text':
            return <RichText content={content} />;
        default:
            return <Text>{content}</Text>;
    }
}
```

### 5.3 会话管理

#### 5.3.1 会话状态
- 会话创建和销毁
- 消息历史记录
- 上下文保持
- 会话超时处理

#### 5.3.2 用户身份识别
- 微信OpenID绑定
- 匿名会话支持
- 用户偏好记录

### 5.4 智能调度系统（简化版）

#### 5.4.1 能力处理器架构
- 基础能力处理器注册机制
- 简单的能力降级策略
- 固定路由规则

#### 5.4.2 调度策略
- 基于关键词的能力选择
- 基础异常处理和回退
- 简单性能监控
- 后续版本支持高级功能

## 6. 部署和运维

### 6.1 环境配置
```bash
# 环境变量配置
AI_MODEL_PROVIDER=kimi
AI_API_KEY=your_api_key
AI_MODEL_NAME=kimi-k2
AI_MAX_TOKENS=2000
AI_TEMPERATURE=0.7

# LangChain配置
LANGCHAIN_TRACING_V2=true
LANGCHAIN_ENDPOINT=https://api.smith.langchain.com
LANGCHAIN_API_KEY=your_langchain_key

# 向量数据库配置
VECTOR_DB_TYPE=chroma
VECTOR_DB_PATH=./vector_store
```

### 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

### 6.3 性能优化
- 响应缓存
- 异步处理
- 负载均衡
- 数据库优化

## 7. 安全考虑

### 7.1 数据安全
- API密钥加密存储
- 用户隐私保护
- 内容审核机制
- 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
1. **第一阶段 (1周)**: 核心架构和基础功能
   - 数据模型扩展（最小化）
   - Kimi K2 API基础集成
   - 基础AI聊天功能
2. **第二阶段 (1周)**: AI能力扩展
   - LangChain RAG基础集成
   - 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
   - 小程序AI聊天界面（核心功能）
   - Web管理端（基础配置）
   - 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
   - 性能优化
   - 生产环境部署

### 9.2 里程碑
- Week 1: 完成核心架构和基础AI聊天功能
- 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 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
- 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

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。