ai brain产品系统Vibe Coding

背景：大模型能力很强，但落到真实场景有三个硬伤——知识截止、会编造、不懂你的私有数据。而现实里，个人和企业的知识资产恰恰都在私有文档里：PDF 笔记、扫描件、会议截图，散落各处，找一条信息要翻半天。
行业解法：RAG（检索增强生成）——"开卷考试"：把私有文档变成可检索的知识库，大模型回答前先查资料、基于资料答。2026 年这是 AI 应用最主流的方向，从个人知识库到企业知识中台都是它。

私有知识库问答
上传 PDF / TXT / Markdown / 扫描版 PDF → AI 基于文档回答，标注答案出自哪个文档、哪一页
资料里没有的 → 明确说"知识库中没有找到足够的信息"，不编造
延伸一：AI 对话

多轮对话、SSE 逐字流式输出、Markdown 渲染 + 代码高亮 + 代码块一键复制
粘贴截图直接问（报错截图 → 分析原因和解决方案）
Agent 任务管理
一句话让 AI 创建/查询/修改/删除任务（"帮我规划学 FastAPI 的三个任务"→ 真的建好）
AI 只能通过受控工具操作数据，不能直接碰数据库
安全与统计
注册登录、JWT + 刷新令牌轮换防重放、用户数据完全隔离
个人用量看板（调用次数、Token、成功率趋势）、文档 AI 总结

架构：前后端分离，后端模块化单体八层（API → Service → Repository，AI/RAG/Agent/Document/Infrastructure 独立分层），技术栈 FastAPI + Vue3 + TypeScript + PostgreSQL/pgvector + Redis，Docker Compose 四容器部署阿里云，线上运行。
RAG 链路（自研）：
入库：上传校验 → 状态机异步解析 → 扫描页自动走 DeepSeek-OCR 合并 → 清洗 → 600/100 递归切分 → BGE-M3 批量向量化 → 入 pgvector（HNSW + cosine）
问答：Query 向量化 → 双路检索（向量 Top-30 + BM25 Top-30）→ 诚实判断（不足则拒答）→ RRF(k=60) 融合取 Top-6 → 4000 字符组 Context → DeepSeek 流式 → [n] 引用
Agent：Function Calling + 5 个工具，轮数/失败上限防死循环；AI 永不直接碰数据库，工具只走带 user_id 强制校验的 Service 层。
多模态：OCR（只对无文字页调用，文字页零成本）+ 视觉问答（前端压缩控 token，Qwen3-VL）。
工程：48 个自动化测试 + GitHub Actions CI；端口最小暴露、Nginx 反代（SSE 关缓冲）、每日备份、11 个数据库迁移。