企业级多智能体 RAG 与知识图谱问答引擎 (Enterprise Agentic RAG & Gr产品系统Vibe Coding

设计并独立开发了一套高性能、可扩展的智能问答后端系统。该项目摒弃了传统的单一向量检索模式，深度集成了知识图谱 (Graph RAG) 与智能路由 (Agentic RAG)，专为处理复杂的长文本摘要、跨文档逻辑推理及高并发企业级需求而打造。系统采用了严谨的分层架构设计（API网关层、核心引擎层、数据处理层），具备极强的业务延展性。

1. 混合驱动的智能问答引擎 (Hybrid QA Engine)

智能意图路由 (Agentic Router): 告别单一检索模式。系统内置意图识别引擎，能够动态分析用户提问，自动路由至最匹配的策略（向量检索、图谱推理、或日常对话），极大提升回答的精准度。

“向量+图谱”双引擎检索: 深度整合 Milvus（向量空间相似度）与 Nebula Graph（实体关系拓扑），在处理“多跳逻辑推理”和“跨文档关联”问题时，有效克服传统 RAG 系统的局限与大模型的幻觉。

多轮对话与上下文管理: 提供连贯的交互体验，支持会话历史隔离、持久化存储与精准回溯。

2. 自动化重型知识解析流水线 (Knowledge Processing Pipeline)

全格式文档接管: 支持多格式文档的上传、解析与结构化切分。

数据清洗与增强 (Enhancement & Deduplication): 内置强大的数据清洗机制，自动进行文本去重与降噪处理，确保入库数据的“纯净度”，从源头提升检索质量。

长文本降维摘要 (Map-Reduce Summarization): 针对超长财报、研报等文档，采用 Map-Reduce 架构进行分块并行摘要提取，完美突破大模型上下文窗口限制。

3. 工业级并发与异步调度 (Async Task Scheduling)

非阻塞任务流: 将耗时的文档向量化（Embedding）、知识图谱构建等重负载操作全部下放至异步任务池。

任务状态可视化: 对外提供完善的任务进度查询 API，保证在多用户高并发上传海量文档时，问答核心接口依然保持毫秒级响应。

4. 全维度系统可观测性 (MLOps & Observability)

全链路追踪机制 (Trace Management): 打破 AI “黑盒”。系统自动记录每一次调用的 Prompt 组装

本项目采用 Python + FastAPI 构建底层非阻塞异步框架，严格遵循高内聚、低耦合的设计原则，核心技术落地细节如下：
1. 模块化架构与 API 设计
系统深度解耦为路由控制、核心引擎、文件解析与数据模型四大模块。全面采用 Pydantic 构建类型安全的数据模型，确保前后端交互的严格校验。对外提供标准化的 RESTful API，并自动生成交互式 OpenAPI 文档，极大降低了外部系统的对接成本。
2. 知识库预处理流水线
实现多格式文档（PDF/Word/Markdown等）的统一读取与基于语义边界的切片（Chunking）。针对知识库数据冗余痛点，自研基于局部敏感哈希（SimHash）的文本去重与降噪算法，并在入库前进行元数据增强，从源头保障向量库的数据质量。

3. 多智能体 RAG 与混合检索
动态意图路由： 利用轻量级 LLM 对用户 Query 进行意图分类，动态分发至闲聊、检索或推理链路。
双引擎驱动： 深度整合 Milvus（向量相似度检索）与 Nebula Graph（知识图谱关系网络），实现双路召回与重排序，精准破解复杂“多跳问题”与大模型幻觉
长文本处理： 采用 Map-Reduce 分治架构，并行提取区块摘要并合并生成全局总结，突破模型上下文窗口限制
4. 异步高并发与任务调度
针对大模型 API 高延迟与 Embedding 计算密集的问题，全面采用 asyncio 非阻塞编程。自建轻量级异步任务队列，将文档入库、图谱构建等重负载操作下发至后台执行，前端立即返回 Task ID，彻底解决接口超时阻塞，保障生产环境高可用
5. 生产级可观测性与监控
独立开发全链路日志追踪模块无侵入式拦截记录 RAG 全生命周期数据。毫秒级实时监控对话延迟、Prompt 组装模板、召回片段质量及大模型 Token 消耗，为持续的模型调优提供精准的数据支撑