项目总体框架
更新时间: 2026-08-11 16:29:34
# 项目总体框架
# 阶段一：后端基建与混合记忆库 (向量 + 图谱)
目标：构建系统最坚固的基石，实现“向量检索”与“知识图谱”的双引擎驱动。
多模态解析
- 核心任务：使用
Docling或MinerU解析复杂 PDF，精准提取文本、表格和图表结构。 - 硬核看点：展示系统如何处理一份包含复杂合并单元格的财报，并将其完美转化为结构化数据。
- 核心任务：使用
双路索引构建
- 向量路径：将解析后的文本块（Chunk）进行 Embedding，存入
Qdrant向量数据库，用于处理语义模糊的问答。 - 图谱路径 (核心)：
- 使用 LLM 从文本中抽取出 实体 (Entity) 和 关系 (Relation)。
- 将抽取结果导入
Neo4j图数据库，构建出立体的知识网络。
- 硬核看点：展示一份 1000 页的文档，如何被瞬间解构为一张由无数节点和连线构成的、可查询的知识图谱。
- 向量路径：将解析后的文本块（Chunk）进行 Embedding，存入
# 阶段二：前端骨架与双通道通信架构
目标：搭建稳固的前后端通信桥梁，为复杂的实时交互做好准备。
工程初始化
- 核心任务：初始化
Next.js 14+(App Router) +TailwindCSS工程。
- 核心任务：初始化
双通道通信实现 (关键修正)
- 通道一 (内容流)：使用 Vercel AI SDK 的 SSE，专门负责将 LLM 生成的文本 Token 以“打字机”效果推送到前端。
- 通道二 (状态流)：建立一个独立的 WebSocket 或 SSE 连接，专门用于后端向前端推送 Agent 的实时状态信号，如
{status: "searching_vector"}、{status: "traversing_graph"}、{status: "executing_code"}。 - 硬核看点：前后端职责分离，确保文本流再快也不会影响状态信号的精准送达，系统极其稳定。
# 阶段三：Agent 核心引擎与自适应路由
目标：赋予 AI 真正的“大脑”，让它学会思考并选择最优工具。
LangGraph 工作流构建
- 核心任务：使用
LangGraph编排一个多智能体工作流，包含“意图识别”、“工具选择”、“执行”、“反思”等节点。
- 核心任务：使用
自适应路由 (Adaptive RAG) 实现
- 核心任务：在“工具选择”节点实现智能路由逻辑：
- 简单事实类问题 → 走向量检索。
- 复杂关系推理问题 (如“A公司的子公司的高管是谁？”) → 走知识图谱查询 (Cypher)。
- 计算/数据分析问题 → 走代码解释器。
- 硬核看点：展示 AI 在遇到一个复杂问题时，自主决策调用 Neo4j 进行多跳查询的“高光时刻”。
- 核心任务：在“工具选择”节点实现智能路由逻辑：
安全的代码沙箱
- 核心任务：接入
E2B云端沙箱 API，为 AI 提供一个安全的 Python 代码执行环境。
- 核心任务：接入
# 阶段四：响应式前端与白盒化视觉联动
目标：打造在任何设备上都极具冲击力的视觉体验。
响应式布局 (关键修正)
- 移动端 (竖屏)：采用单栏流式 + 动态抽屉 (Drawer) 设计。默认是清爽的对话界面，当 AI 开始“深度思考”时，从底部弹出一个半屏抽屉，在抽屉内展示思考链路和图谱。
- 桌面端 (横屏)：恢复经典的三栏布局（对话 | 思考链路 | 知识图谱/溯源），充分利用大屏空间，信息密度拉满。
思考链路可视化
- 核心任务：使用
React Flow监听“状态流”通道，实时渲染并高亮 Agent 的思考路径。
- 核心任务：使用
知识图谱联动
- 核心任务：使用
React Force Graph，当 Agent 查询图谱时，前端同步高亮相关的实体节点和关系路径。
- 核心任务：使用
# 阶段五：极限测试与高光 Demo 录制
目标：打磨极致体验，准备引爆社交媒体的视频素材。
动效打磨
- 核心任务：使用
Framer Motion为抽屉弹出、节点高亮、面板切换等所有交互添加丝滑的物理动效。
- 核心任务：使用
设计“杀手级”测试用例
- 用例1 (图谱威力)：提问一个必须通过多跳推理才能回答的问题，展示图谱查询的精准与高效。
- 用例2 (代码能力)：上传一个包含销售数据的表格，提问“请计算Q3季度环比增长率并画出趋势图”，展示 AI 自主写代码、执行并返回图表的全过程。
- 用例3 (严谨拒答)：提问一个文档中不存在的问题，展示 AI 严谨地回答“根据现有资料，无法找到相关信息”，而不是胡编乱造。
录制与剪辑
- 核心任务：分别在桌面端和移动端录制操作过程，配上带感的 BGM，剪辑出最终的高光 Demo。