5年AI工程化落地经验，曾主导农业银行总行Multi-Agent智能服务平台研发（Agent准确率94%，Token成本降低77%）。具备农行/交行/招行三大行金融级系统实战经验：交行2000 TPS资产交易系统（0错账）、招行15000 QPS微服务重构（可用性99.99%）。独立完成约8000行核心代码（Multi-Agent引擎/中间件编排/记忆系统/权限控制）。当前基于RAGFlow搭建企业级知识库&RAG智能问答系统，掌握完整RAG Pipeline（向量检索/混合检索/RAGAS质量评估）及生产级部署能力。
【核心功能】
1. 文档知识库管理：支持文档分类、富文本编辑、标签体系、版本管理、发布状态控制（草稿/已发布/已归档）
2. RAG智能问答：基于RAGFlow构建检索增强生成系统，用户提问自动从知识库中检索相关文档片段，结合LLM生成准确回答
3. 问答社区：支持用户发起提问、专家回答、问题解决闭环（待回答→已回答→已解决），含投票和标签分类
4. 用户权限体系：三级角色（管理员/编辑/访客），细粒度权限控制
5. 分类与检索：多级目录分类 + 关键词全文搜索
【技术架构】
- 后端：FastAPI + SQLAlchemy + SQLite（可切换MySQL/PostgreSQL）
- 前端：React + TypeScript + Material-UI（MUI）
- AI层：RAGFlow + 向量数据库 + LLM（支持私有化部署）
- 认证：JWT Token + RBAC权限模型
【亮点1 - 生产级RAG工程化】
不是Demo级别原型，而是具备金融级可靠性的生产系统。参考农行项目经验，内置RAGAS双层质量门控（Context Precision/Recall + Faithfulness/Relevancy），确保检索和生成的准确性可控。
【亮点2 - Multi-Agent扩展能力】
架构预留了Multi-Agent协作接口，可从单一问答升级为多智能体工作流（如：检索Agent → 分析Agent → 报告生成Agent），复用在农行验证过的DeepAgent主从式框架设计。
【亮点3 - Token成本优化】
集成Context Budget Controller动态Token分配策略（P1用户输入 > P2检索结果 > P3历史记忆），配合对话摘要压缩（压缩率80%），可将LLM调用成本降低50%-77%（已在农行项目验证）。
【亮点4 - 可观测性内置】
结构化日志(JSON/TraceID) + API性能监控(P50/P95/P99)，故障定位时间
评论