# 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      │    │   RAG知识库     │
│  (二维码识别)    │    │  (OSS/数据库)    │    │  (向量检索)     │
└─────────────────┘    └─────────────────┘    └─────────────────┘
```

### 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 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

#### 4.1.2 RAG知识库系统 ✅ **已实现**
- **存储方案**: FAISS向量数据库 + Django缓存系统
- **内容类型**: 文字、图片、视频、文档（支持HTML内容清理）
- **检索策略**: 语义搜索 + 相似度评分
- **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
- **性能优化**: 多层缓存策略（向量缓存30天，搜索结果缓存1天）

**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

**技术实现细节**：
- **向量化模型**: `shibing624/text2vec-base-chinese` 中文嵌入模型
- **文本分割**: RecursiveCharacterTextSplitter，chunk_size=1000，overlap=200
- **缓存策略**: 文章内容哈希签名 + 向量存储序列化缓存
- **HTML处理**: BeautifulSoup清理HTML标签，提取纯文本内容

### 4.2 数据模型扩展

### 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]
        })

#### 4.3.2 RAG服务API ✅ **已实现**
```python
# api/products/rag_service.py

class CachedLangChainRAG:
    """基于缓存的实时LangChain RAG服务"""
    
    def search(self, query: str, max_results: int = 3, tenant_id: int = None) -> List[Dict[str, Any]]:
        """带缓存的搜索"""
        # 多层缓存策略
        # 1. 搜索结果缓存（1天）
        # 2. 向量存储缓存（30天）
        # 3. 文章列表缓存（30天）
    
    def get_enhanced_context(self, query: str, max_results: int = 3, tenant_id: int = None) -> str:
        """获取增强的上下文信息"""
        # 构建结构化的上下文信息
        # 包含标题、相关度评分、内容摘要
```

## 5. RAG系统架构详解 ✅ **已实现**

### 5.1 核心组件

#### 5.1.1 文本处理管道
- **HTML清理**: BeautifulSoup解析，移除script、style等标签
- **文本分割**: 智能分块，保持语义完整性
- **元数据管理**: 文章ID、标题、租户ID、分块索引等

#### 5.1.2 向量化系统
- **嵌入模型**: 中文优化的text2vec-base-chinese
- **向量存储**: FAISS高性能相似度搜索
- **分块策略**: 1000字符分块，200字符重叠

#### 5.1.3 缓存优化系统
- **三级缓存架构**:
  1. 搜索结果缓存（1天过期）
  2. 向量存储缓存（30天过期）
  3. 文章列表缓存（30天过期）
- **智能失效**: 基于内容哈希的缓存失效策略
- **性能监控**: 详细的耗时统计和性能分析

### 5.2 工作流程

```
用户查询 → 缓存检查 → 向量搜索 → 结果排序 → 上下文构建 → 返回增强信息
    ↓           ↓         ↓         ↓         ↓
  查询哈希   多层缓存   相似度计算  评分排序   结构化输出
```

### 5.3 性能特性
- **响应时间**: 缓存命中时 < 10ms，首次查询 < 2s
- **并发支持**: 基于Django缓存的并发安全
- **内存优化**: 向量存储序列化缓存，避免重复计算
- **扩展性**: 支持多租户隔离，租户级缓存策略

## 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
- 请求频率限制
- 异常监控告警

## 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 ✅ **已完成**
   - 数据模型扩展（最小化）
   - Kimi K2 API基础集成 ✅
   - 基础AI聊天功能 ✅
   - 工具调用系统 ✅
   - Django管理命令 ✅
   - **RAG知识库系统** ✅ **新增完成**
2. **第二阶段 (1周)**: AI能力扩展 ✅ **已完成**
   - 知识库检索工具集成 ✅
   - 平台知识库（完整版） ✅
   - 工具调用优化和扩展 ✅
   - **RAG系统性能优化** ✅ **新增完成**
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）
   - 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
   - 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 ✅ **已完成**
- Week 2: 完成知识库检索工具和RAG系统基础功能 ✅ **已完成**
- 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

### 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、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 + FAISS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 架构设计总结

**核心架构选择：直接以Tool形式接入Kimi K2 + RAG知识库系统**

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
5. **RAG集成**：完整的知识库检索和增强系统

**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
- 多层缓存优化，支持高性能检索

**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
- **新增**: 完整的RAG知识库系统
- **新增**: 高性能缓存和向量检索
- **新增**: 多租户知识库隔离

## 12. RAG系统技术规格 ✅ **已实现**

### 12.1 性能指标
- **响应时间**: 缓存命中 < 10ms，首次查询 < 2s
- **并发能力**: 支持多租户并发访问
- **缓存效率**: 向量存储缓存命中率 > 90%
- **存储优化**: 支持大规模知识库（10万+文档）

### 12.2 技术特性
- **中文优化**: 专门针对中文内容优化的嵌入模型
- **智能分块**: 保持语义完整性的文本分割策略
- **多层缓存**: 搜索结果、向量存储、文章列表三级缓存
- **租户隔离**: 完整的多租户知识库隔离机制

### 12.3 扩展能力
- **模型切换**: 支持更换不同的嵌入模型
- **存储后端**: 可扩展支持其他向量数据库
- **缓存策略**: 可配置的缓存过期时间和策略
- **监控告警**: 内置性能监控和异常告警

TODO:
- context length management
- 小程序AI聊天界面集成
- 内容管理系统的完善