AI-RAG 智能问答系统需求规格说明书

1 引言1.1 目的本文档基于 AI-RAG 系统当前实际实现编写描述系统功能需求、技术架构、接口规范与非功能需求作为开发验收与后续迭代的基准。1.2 系统定位AI-RAG 是一套基于检索增强生成Retrieval-Augmented Generation技术的企业知识库智能问答系统使用智谱 GLM-4.7 大模型提供自然语言问答服务支持多格式文档上传、自动解析、向量化检索、多轮对话与答案溯源。1.3 技术栈层级技术选型前端Vue 3 Element Plus Vue Router Pinia Vite后端FastAPI SQLAlchemy Pydantic Uvicorn关系数据库MySQL 8.0用户/知识库/文档/对话/配置缓存Redis会话管理、热点问答缓存、限流文档数据库MongoDB系统日志向量数据库ChromaDBembedded 嵌入式模式对象存储MinIO私有桶存储文件预签名URL访问大模型智谱 GLM-4.7OpenAI 兼容接口嵌入模型智谱 embedding-31024 维认证JWT RBAC 角色权限模型2 总体架构2.1 架构图┌──────────────────────────────────────────────────────────────┐ │ 前端 (Vue3 Element Plus) │ │ 登录 │ 智能问答 │ 知识库 │ 文档管理 │ 文件管理 │ 日志/配置/用户 │ └───────────────────────────┬──────────────────────────────────┘ │ HTTP / SSE (JWT) ┌───────────────────────────┴──────────────────────────────────┐ │ 后端 (FastAPI) │ │ ┌─────────┐ ┌──────────┐ ┌──────────┐ ┌──────────────────┐ │ │ │ 认证JWT │ │ RBAC权限 │ │ 限流中间件│ │ CORS中间件 │ │ │ └─────────┘ └──────────┘ └──────────┘ └──────────────────┘ │ │ ┌──────────────────────────────────────────────────────┐ │ │ │ API 路由层 (api/v1) │ │ │ │ auth │ users │ knowledge-bases │ documents │ files │ │ │ │ chat │ configs │ logs │ │ │ └──────────────────────────────────────────────────────┘ │ │ ┌──────────────────────────────────────────────────────┐ │ │ │ 服务层 (services) │ │ │ │ user_service │ kb_service │ document_service │ │ │ │ file_service │ chat_service │ config_service │ log │ │ │ └──────────────────────────────────────────────────────┘ │ │ ┌──────────────────────────────────────────────────────┐ │ │ │ RAG 引擎层 (rag) │ │ │ │ document_loader │ indexer │ retriever │ │ │ │ embeddings │ llm │ chat_engine │ │ │ └──────────────────────────────────────────────────────┘ │ └──┬───────┬───────┬──────────┬──────────┬────────────────────┘ │ │ │ │ │ ┌──▼──┐ ┌─▼───┐ ┌▼────────┐ ┌▼────────┐ ┌▼──────────┐ │MySQL│ │Redis│ │MongoDB │ │ChromaDB │ │ MinIO │ │业务 │ │会话 │ │系统日志│ │向量存储 │ │文件存储 │ └─────┘ └─────┘ └────────┘ └────────┘ └──────────┘2.2 RAG 核心流程用户提问 ↓ ① 问题向量化 (embedding-3) ↓ ② ChromaDB 向量检索 (top_k5, 相似度阈值过滤) ↓ ③ 构建上下文 (context sources) ↓ ④ Prompt 工程 (系统提示 参考资料 对话历史 当前问题) ↓ ⑤ GLM-4.7 大模型生成回答 (支持 SSE 流式) ↓ ⑥ 返回回答 答案溯源 ↓ ⑦ 持久化消息记录到 MySQL