为解决企业在知识管理与数据驱动决策中的两大痛点——内部文档检索效率低和用户反馈分析依赖人工，本项目立项旨在构建一个智能化的企业级问答平台。通过整合非结构化文档理解能力与结构化数据分析能力，实现“问即查、答即析”的闭环体验。
在实际业务中，该系统广泛应用于：
产品团队快速查询产品文档、操作手册及FAQ；
运营与客服部门分析用户反馈数据，识别常见问题趋势；
研发团队基于用户行为洞察进行产品迭代优化。
系统覆盖从知识沉淀到数据反哺的全流程，助力企业实现知识资产的高效利用与数据价值的深度挖掘。
本项目包含两大核心功能模块：RAG 智能问答系统与结构化数据分析 Agent。
RAG 检索增强问答模块：支持对 Markdown、PDF 等格式的内部文档进行语义切分与向量化存储，结合 Qdrant 向量数据库实现精准召回；引入 Cross-Encoder 重排序与 Query Rewriting 技术，显著提升多轮对话下的上下文理解和回答准确性；并提供文件解析状态实时监控，提升知识库维护效率。
Text-to-SQL 数据分析 Agent：具备意图识别能力，可自动判断用户问题是文档查询还是数据统计需求；对于后者，通过高阶提示词工程（含思维链 CoT 和防御性约束），生成安全可靠的 SQL 查询语句，并输出标准化 JSON 结构数据（如 ），直接驱动前端图表渲染。
此外，系统还集成了“引用溯源”、“猜你想问”、“流式响应”、“点赞/点踩反馈”等 AI UX 优化功能，全面提升交互体验与用户信任度。
作为本项目的主导开发者，我负责以下关键任务：
技术架构设计与核心模块开发：主导 RAG 链路搭建，包括 LlamaIndex 文档处理流程、Qdrant 向量索引配置、Cross-Encoder 重排序集成；设计并实现 Text-to-SQL Agent 的 Prompt 工程方案，确保 SQL 生成的安全性与准确性。
前后端交互协议定义与可视化实现：制定结构化输出协议（），打通 LLM 输出与前端 Recharts 图表渲染的链路，实现“Chat-to-Chart”功能；开发引用来源组件，将答案锚定至原始文档位置，增强可信度。
LLMOps 与全链路监控体系构建：基于 Langfuse 实现 Prompt 版本管理与 Trace 跟踪，支持热更新与性能分析；建立 Token 消耗与 API 延迟监控机制，快速定位模型异常或 SQL 错误。
工程化部署与环境管理：编写 Docker Compose 文件，统一编排 Backend、Redis、MySQL、Qdrant、Langfuse 等服务，实现本地一键启动、数据隔离与快速迭代。
评论