仁义纸业 AI 销售助手（基于本地知识库的 RAG 应用）产品系统

本地生活服务行业的AI赋能场景。聚焦日用纸品批发零售领域：基于本地部署的大语言模型（qwen2.5-1.5b）构建企业级RAG知识库问答系统，为销售人员和客户提供24小时产品咨询、价格查询、库存状态、订单跟进等服务。全程本地化部署，数据不联网，适用于对数据隐私敏感的民营企业，可作为中小微企业落地AI客服的参考范本。

1. 产品咨询问答：客户询问纸品规格、克重、尺寸、适用场景等产品信息时，系统基于本地知识库检索相关文档并生成准确回答，支持自然语言对话。
2. 价格与库存查询：对接进销存系统 API，支持查询特定商品的最新售价、可用库存量、促销政策。
3. 订单协助：老客户可通过对话快速查询历史订单状态、欠款余额，并生成简易订单草稿。
4. 销售话术辅助：内置纸品行业常见客户异议处理话术库，帮助销售人员快速应对客户提问。
5. 配置管理中心：后台支持知识库文档增删改、本地模型参数调整、业务系统 API 对接配置。
6. 全本地化部署：对话数据不出本地，无需联网调用云端 API，保障企业数据隐私与业务连续性。

1. 我独立完成需求分析、系统架构设计、环境部署、知识库构建、前后端与业务系统联调、维护各环节。

2. 项目使用哪些技术栈、架构、实现上亮点、难点：

技术栈：MaxKB 知识库平台 + Ollama + qwen2.5-1.5b 本地大模型 + Docker + Flask API。
架构：RAG（检索增强生成）架构。用户提问 → 向量检索本地知识库 → 拼接上下文 → 送大模型生成 → 返回答案。
实现亮点：
- 利用 Docker 容器化部署整套 RAG 环境，服务编排清晰，重启恢复一键完成；
- 对接进销存系统 RESTful API，实现「问库存变化」场景下的动态数据实时注入；
- 本地方案零 API 调用费用，对比云端方案每月节省 300-800 元接入成本；
- 语料定期自动更新，支持从业务系统直接同步最新商品价格与库存数据。
难点与解决：1.5B 小模型在大段专业语料上的回答精度问题。解决策略：拆分知识库文档粒度 + 控制检索 TOP-K 数量 + 调整 prompt 模板，实测准确率从 62% 提升至 86%