x/themblem

Fork 0

Fam Zheng ded583ef22 add doc/ai-chat.md

2025-10-29 21:27:29 +00:00

22 KiB

Raw Blame History

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

4.1.1 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

# 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

# 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

# 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

# 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

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

// 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

<!-- 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

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）

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

// 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

# 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

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
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
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
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。

22 KiB Raw Blame History Unescape Escape