knowRAG系统产品系统

企业级 AI 知识库管理系统（RAG），面向古籍数字化、电商客服知识库、内容运营 等多垂直领域。已接入中医典籍（黄帝内经/伤寒论/金匮要略等）实现辨证问诊与方剂推荐，同时支持小红书运营文案生成、亚马逊客服售后咨询等多场景 Persona 角色化问答。系统解决企业内部文档分散、检索困难、AI 回答一聊就忘"等行业痛点。

本系统是一套从零搭建的生产级 RAG 知识库，覆盖文档入库到智能问答的完整 AI 管线。
一、文档处理 支持 PDF/Word/Markdown/Execel/图片等多格式解析，自动识别 QA 问答格式并保留完整语义单元，其余文档采用父子分块策略（ t父块 1024 token 保上下文，子块 256 token 供检索，64 token 重叠, 支持自定义和导入识别建议），兼顾召回精度与语义完整性。
二、检索与生成 混合检索融合 pgvector 向量语义（0.7）与 zhparser 关键词（0.3）加权打分 ，针对不同的业务场景支持配置化，经 Reranker 精排后由 LLM 以 SSE 流式输出，并支持答案引用溯源。
核心能力：
Java 21 虚拟线程支撑高并发入库，批量文件异步解析不阻塞主线程。
多轮 Query 改写结合对话历史做指代补全与错别字纠正，解决"一聊就忘"问题。
古文翻译管线自动检测文言文并译为白话，附朝代剂量换算。
6 套 Persona 角色化 Prompt，YAML 外部化配置，新增角色零代码。
业务域隔离实现多知识库检索范围控制。
拒答策略三模式（knowledge/hybrid/chat）按需切换。
支持飞书、Notion 外部源定时同步。

独立负责整体架构设计与全栈开发：
后端架构设计：采用 Ingestion（入库）+ Query（检索）双管道架构，混合检索用单条 SQL 实现默认余弦(0.7) + BM25 关键词(0.3) 加权融合，以 pgvector 替做为向量数据库；设计 RagProperties 配置中心集中管理 15+ 子模块参数

虚拟线程高并发方案：Java 21 Virtual Thread 覆盖入库管道/Embedding 并发/SSE 流式三大 I/O 密集场景，Semaphore 限流防 429 退避，批量上传 10+ 文件并发解析不阻塞主线程；解决虚拟线程无法访问 ThreadLocal SecurityContext 的兼容问题（入口显式捕获 userId 透传）

RAG 核心算法优化：父子分块策略（Parent 1024 token / Child 256 token / Overlap 64 token）平衡"上下文完整性"与"检索精确度"；多轮 Query 改写结合最近 4 轮对话历史实现隐式指代补全（"它"→产品名）和激进纠错（语音输入错别字/末尾乱码）；Reranker 精排提升 Top-K 准确率 15-20%

领域深度功能：中医古籍古文翻译管线（启发式文言检测 + 朝代识别 + 剂量换算标注）；QA 格式自动识别器，合理性校验防止误判；图片多模态索引（VL 描述 + OCR + 用户标题三层文本合并向量化）

前端工程化：React 18 + TypeScript 严格类型，SSE 三阶段状态机（thinking/streaming/idle）+ 40ms 节流 flush 防抖
技术栈：Spring Boot 4 + Spring AI 2.0 + MyBatis-Plus + PostgreSQL/pgvector+Redis+Tika