企业日常运营中积累了大量文档、手册、合同、报表等非结构化知识，但这些知识往往分散在不同系统和人员手中，检索依赖关键词匹配，效率低下。与此同时，大语言模型虽具备强大的理解与生成能力，但缺乏企业私有知识上下文，回答容易产生"幻觉"；而将内部数据上传至第三方AI平台，又面临严重的数据泄露风险。
本项目旨在解决以下问题：
1. 知识检索不精准：传统搜索无法理解语义意图，员工查找资料耗时且准确率低
2. AI落地缺乏私有知识支撑：通用大模型不了解企业业务，无法给出专业、可靠的回答
3. 数据安全与隐私顾虑：企业不愿将核心文档上传至公有云服务，需要完全可控的私有化方案
4. AI与业务系统割裂：大模型无法直接调用企业内部接口，知识问答与实际业务流程脱节
5. 部署门槛高：现有AI知识库方案对服务器配置要求高，中小企业难以承担
1. RAG 知识库：支持 PDF/Word/Markdown/TXT/Excel/CSV 等文件导入，内置向量化模型，精准语义检索
2. MCP 协议支持：内置 MCP Server，可视化安装一键启停，支持 SSE 调用；内置 http-api-call 工具可将 MCP 转为接口调用
3. 多模型接入：支持不同厂商 API 模型及本地自建模型
4. 多智能助手：每个助手可独立配置模型、知识库和 MCP 工具
5. 权限管理：多角色体系，满足企业级权限需求
6. 私有化部署：数据全本地化存储，解压即用，1C1G 服务器即可运行
7. 接口集成：内置 Http 接口转发工具，AI 可自动调用现有系统接口查询数据
本项目由我独立负责全栈开发，涵盖后端服务、前端界面及客户端应用的设计与实现。
技术栈与架构：后端全栈采用 Rust 开发，前端使用 Vue3 + Element Plus。后端采用模块化架构，将知识库管理、模型调度、MCP 服务、权限控制等核心能力解耦为独立模块。向量检索基于本地向量数据库实现，结合文本分块与重排序策略提升检索精度。
评论