6.9 KiB
6.9 KiB
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
- 用户扫描二维码 → 验证服务
- 验证结果 → AI聊天界面
- 用户提问 → AI服务层处理
- AI回答 → 返回多模态内容
- 用户反馈 → 知识库更新
4. 技术实现方案
4.1 AI模型集成
4.1.4 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 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
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
4.2 数据模型扩展
4.3 后端API设计
4.3.1 AI聊天API
# 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]
})
## 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 ✅
2. **第二阶段 (1周)**: AI能力扩展
- 知识库检索工具集成
- 平台知识库（简化版）
- 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）
- 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
- 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 + 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 架构设计总结
**核心架构选择：直接以Tool形式接入Kimi K2**
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
**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
**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
TODO:
- context length management