在企业内部，产品手册、制度文档、技术方案、项目资料分散在 PDF、Word、Wiki 等处，员工查找信息效率低；通用大模型又容易「幻觉」，无法保证回答与企业资料一致。传统关键词搜索难以理解语义，FAQ 维护成本高，难以覆盖长尾问题。
因此发起 Sanzang Agent 项目：面向企业内部知识问答、客服辅助、技术文档检索等场景，构建「上传即索引、提问即召回、回答可溯源」的 RAG 智能体平台。目标用户包括：需要快速搭建知识库问答的中小企业、有私有化文档问答需求的研发团队，以及希望将 AI 能力集成进现有系统的开发者。
项目解决的核心问题是：如何让大模型基于企业私有文档准确回答，并提供可管理、可调试、可对外集成的完整方案——而非仅是一个聊天 Demo。管理员可在后台完成知识库搭建与效果调优，业务方通过 Web 或 OpenAI 兼容 API 直接使用。
一、知识库与文档管理
支持创建多个知识库，配置 Embedding 模型、TopK、相似度阈值。文档支持 PDF/Word/TXT/Markdown/CSV 上传，后台异步完成 Tika 解析 → Token 切片 → Qdrant 向量化；提供索引状态（待处理/索引中/完成/失败）、分段数量统计，以及文档级启用/禁用 RAG 开关。
二、分段管理与召回测试
可查看、编辑、删除文档切片，追踪索引进度。独立「召回测试」页支持输入问题、调节 TopK 与阈值，展示命中片段、相似度得分与来源文档，便于上线前调优检索效果。
三、AI 配置中心
统一管理 LLM API Key（DeepSeek/OpenAI 等）、Chat/Embedding 模型、对话角色（System Prompt + 绑定知识库/模型），实现不同业务场景下的 Prompt 与知识隔离。
四、智能对话（Web 端）
多会话管理、角色/模型切换、SSE 流式输出；回答支持 Markdown 与代码高亮；可绑定知识库实现 RAG 问答，未命中时降级为普通对话。
五、开放 API 集成
提供 OpenAI 兼容 /v1/chat/completions 与简化 Agent 接口，外部系统只需修改 base_url 即可接入；开放 API Key 支持 Bearer 鉴权，可绑定默认角色与知识库。
六、系统管理
用户登录与权限、对话记录后台管理、Dashboard 数据统计、中英文国际化切换；支持 Docker Compose 一键部署（MySQL + Qdrant + 前后端）。
个人职责： 独立完成后端 API、RAG 核心链路、前端管理后台与对话界面、数据库设计、Docker 部署方案的全栈开发。
后端架构：
Spring Boot 3.4 + Spring AI 1.0，MyBatis-Plus 管理 10+ 业务表（知识库、文档、分段、会话、消息、模型、角色、开放 API Key、用户等）。文档索引采用 @Async 异步处理：Tika 解析 → TokenTextSplitter 切片 → 写入 Qdrant 并同步 MySQL 分段记录。
RAG 实现要点：
1. VectorStoreFactory 按 Embedding 模型缓存 Qdrant VectorStore，多知识库共用 Collection，metadata 按 knowledgeId 过滤；
2. 检索后二次过滤：仅保留「分段启用 + 文档启用」的有效片段，避免脏数据进入 Prompt；
3. 支持多知识库合并召回、角色级知识库绑定、可配置 System Prompt 模板；
4. 流式对话基于 WebFlux Flux + SSE，开放 API 兼容 OpenAI 响应格式。
前端实现：
Vue 3 + Element Plus 搭建侧边栏管理台，Chat 页用 fetch + ReadableStream 解析 SSE 流；marked + highlight.js 渲染 Markdown；vue-router 路由守卫 + vue-i18n 中英文切换。
部署： docker-compose 编排 MySQL、Qdrant、后端 Jar、Nginx 前端；生产环境支持 HTTPS 反向代理与长连接超时配置。
评论