Today AI 企业知识问答与质检中台

一个面向企业知识库和金融财报场景的多工具 Agent + RAG 项目。当前仓库已经落地了前台智能问答、后台知识资产治理、坏案例回收、AI 自动巡检与黄金问答沉淀等能力。

项目概览

Today AI 的目标不是只做一个聊天机器人，而是做一套可运营、可追溯、可持续修复的企业知识问答系统。

当前项目包含两条主线：

1. 前台问答链 基于 LangGraph 把企业知识库、实时行情、联网搜索和金融 SQL 查询统一成一个多工具问答入口。
2. 后台治理链 提供文档上传、异步切片、人工审核、发布入库、坏案例回收、AI 自动巡检、人工修复和 BI 看板。

当前已实现的核心功能

1. 多工具 Agent 问答

前台主接口是 POST /api/v1/chat，当前支持 4 类工具能力：

1. enterprise_kb 企业知识库与上传 PDF 检索
2. finance_market 实时行情查询
3. web_search 联网搜索公开新闻、政策、公告
4. finance_sql 结构化金融指标查询与对比

系统会先根据当前知识库启用的插件，再根据问题意图进行预路由，最后由 LangGraph 驱动模型执行工具调用。

适合的问题类型包括：

1. 企业制度、FAQ、历史报告、上传 PDF 的静态知识问答
2. 最新股价、实时行情
3. 最新新闻、最近公告、外部动态
4. 同比、环比、对比、平均、聚合等结构化金融问题

2. 纯知识库问答

项目保留了 POST /api/v1/kb_chat 这条纯知识库链路，用于：

1. 后台 Ground Truth 抽证据
2. 自动巡检判案
3. 需要绕开 LangGraph 多工具编排的场景

3. 临时 PDF 会话检索

前台支持通过 POST /api/v1/upload_temp 上传临时 PDF。

上传后的文档只绑定当前 session_id，不会直接进入正式知识库，适合临时问答和快速验证。

4. RAG 检索与混合重排

知识库检索不是简单向量搜索，而是：

1. 向量召回
2. 词法召回
3. 混合重排

当前实现基于 LlamaIndex + Chroma + 自定义 RAG 逻辑，并针对中文财报指标问答做了业务增强，包括：

1. 中文 query token 化
2. BM25 风格词法打分
3. RRF 融合
4. 财报表格和指标字段 boost
5. 财务噪声 penalty

5. 可解释问答结果

前台回答不是只有一段文本，还会返回：

1. sources 展示 KB 证据、网页来源、行情来源或 SQL 来源
2. tool_trace 展示当前问题调用了哪个工具、输入摘要和工具结果摘要

这使系统具备基础的可解释性和排障能力。

6. 知识资产上传、切片审核、发布入库

后台支持完整的文档治理流程：

1. 上传文档
2. 异步解析和切片
3. 查看 chunk 列表
4. 手工修改 chunk
5. 废弃错误 chunk
6. 审核通过后发布入库

发布后，文档的有效 chunk 会同步进入向量库。

7. 多知识库、多租户与插件绑定

后台支持：

1. 创建租户
2. 创建知识库
3. 绑定知识库所属租户
4. 配置知识库启用的插件
5. 基础访问控制和角色校验

8. 连接器管理

后台支持基础连接器能力：

1. 创建连接器
2. 查看连接器列表
3. 手动触发同步

当前连接器主要面向本地目录和单文件导入场景。

9. 坏案例回收与 RLHF 反馈闭环

前台支持点赞/点踩，点踩会将坏案例写入 bad_cases_staging.json，同时支持撤销点踩和去重幂等。

后台支持：

1. 查看 bad cases
2. 人工修复
3. 忽略误报
4. AI 一键自动巡检

10. AI 自动巡检与黄金问答沉淀

后台提供 POST /admin/api/bad_cases/auto_heal，用于对 bad case 做自动巡检和尝试修复。

当前逻辑会尽量先做 Ground Truth 抽取，再结合工具类型和问题性质分流：

1. 静态知识缺失 尝试自动修复
2. 动态问题 归档，不强行修知识库
3. 无把握案例 转人工审核

修复成功的结果会写入 golden_qa，形成高质量纠偏样本池。

11. BI 埋点与运营看板

前台会记录搜索行为，包括：

1. query
2. session_id
3. latency
4. kb_id
5. tenant_id

后台可查看：

1. 搜索总量
2. 平均延迟
3. 搜索日志明细

技术架构

前端

1. app_frontend_network.py 用户问答界面，默认运行在 7860
2. admin_frontend.py 后台管理界面，默认运行在 7861

后端

1. app_backend.py 前台问答与纯 KB API，运行在 8000
2. admin_backend.py 后台治理、上传、反馈、自动巡检与 BI API，运行在 8001

编排层

1. core/graph.py 基于 LangGraph 的请求级 Agent 编排
2. core/agent_tools.py 请求级工具封装、sources 汇总和 tool_trace 记录

知识库层

1. core/chat_service.py 纯 KB 问答服务
2. tools/rag_tool.py RAG 检索、混合重排、证据封装
3. core/document_pipeline.py 文档读取、切片、chunk payload 构造

存储层

1. knowledge_draft.db 主业务 SQLite，存文档、chunk、知识库、租户、bad case、golden_qa、search logs、connectors
2. finance_data.db 金融 SQL 示例库，当前用于结构化财务问题
3. chroma_db/ Chroma 本地向量库

SQLite 与 Chroma 的分工

在当前项目里，SQLite 和 Chroma 是分层协作关系：

1. SQLite 负责业务真相 存文档、chunk、发布状态、租户、反馈、golden_qa 和结构化金融指标
2. Chroma 负责语义检索 存 chunk 向量、文本和 metadata，用于向量召回

查询时：

1. SQLite 提供精确状态和词法候选
2. Chroma 提供向量候选
3. 最后在 RAG 层做融合和重排

简单说：

1. SQLite 解决“系统里到底有什么”
2. Chroma 解决“语义上最像什么”

目录结构

.
├── app_backend.py              # 前台 API
├── admin_backend.py            # 后台 API
├── app_frontend_network.py     # 前台 Gradio
├── admin_frontend.py           # 后台 Gradio
├── core/
│   ├── graph.py                # LangGraph 编排
│   ├── agent_tools.py          # 请求级工具封装
│   ├── chat_service.py         # 纯 KB 服务
│   ├── chat_models.py          # 请求/响应模型
│   ├── document_pipeline.py    # 文档解析和切片
│   ├── db_schema.py            # 主业务库表结构
│   ├── plugin_registry.py      # 插件注册与绑定
│   └── ...
├── tools/
│   ├── rag_tool.py             # RAG 检索
│   ├── price_tool.py           # 行情工具
│   ├── web_search_tool.py      # 联网搜索工具
│   ├── sql_tool.py             # 金融 SQL 工具
│   └── ...
├── data/                       # 本地种子文档
├── chroma_db/                  # Chroma 向量库
├── knowledge_draft.db          # 主业务 SQLite
├── finance_data.db             # 金融 SQL 示例库
├── bad_cases_staging.json      # bad case 草稿箱
├── dynamic_cases_archive.json  # 动态问题归档
└── init_sql_db.py              # 初始化 finance_data.db

环境准备

1. 安装依赖

pip install -r requirement.txt

2. 配置 .env

项目默认使用 OpenAI 兼容接口，至少需要配置：

api_key="your_api_key"
base_url="https://api.siliconflow.cn/v1"
model="Qwen/Qwen2.5-7B-Instruct"

如果要启用后台 AI 自动巡检里的 LongCat 修复链，还需要：

LONGCAT_API_KEY="your_longcat_api_key"

3. 初始化金融 SQL 示例库

如果你要验证 finance_sql 工具，请先执行：

python init_sql_db.py

启动方式

建议分别打开 4 个终端启动服务：

python -X utf8 app_backend.py
python -X utf8 admin_backend.py
python -X utf8 app_frontend_network.py
python -X utf8 admin_frontend.py

默认地址：

1. 前台 API: http://127.0.0.1:8000
2. 后台 API: http://127.0.0.1:8001
3. 前台 Gradio: http://127.0.0.1:7860
4. 后台 Gradio: http://127.0.0.1:7861

后台 Gradio 当前带基础认证：

username: admin
password: 123456

注意：

当前仓库里的 run.sh 只是顺序命令列表，不是 Windows 下真正的多进程启动器。Windows 环境下建议手动分终端启动，或自行改成 PowerShell / bat 脚本。

关键 API

前台 API

1. POST /api/v1/chat 多工具 Agent 问答
2. POST /api/v1/kb_chat 纯知识库问答
3. POST /api/v1/upload_temp 上传临时 PDF

后台 API

1. POST /admin/api/upload 上传文档并异步解析
2. GET /admin/api/docs 文档看板
3. GET /admin/api/docs/{doc_id}/chunks 获取文档切片
4. PUT /admin/api/chunks/{chunk_id} 修改 chunk
5. DELETE /admin/api/chunks/{chunk_id} 废弃 chunk
6. POST /admin/api/docs/{doc_id}/publish 发布文档入库
7. GET /admin/api/bad_cases 读取坏案例
8. POST /admin/api/bad_cases/auto_heal 启动 AI 自动巡检
9. POST /admin/api/bad_cases/{case_id}/fix 人工修复 bad case
10. GET /admin/api/analytics BI 看板

当前项目的几个亮点

1. 不是单一路由到 RAG，而是基于 LangGraph 做多工具 Agent 编排
2. 不是只做向量检索，而是做了混合召回和重排
3. 回答不是黑盒，支持 sources 和 tool_trace
4. 不是只收集反馈，而是打通了 bad case 到 golden_qa 的修复闭环
5. 不是只会问答，还具备文档治理、插件绑定、连接器和运营看板

当前边界与说明

1. finance_sql 当前主要是一个示例结构化金融工具，默认数据集中只初始化了 catl_finance 表
2. 自动巡检强依赖大模型与 API 配置，未配置 LONGCAT_API_KEY 时无法完整跑通 LongCat 修复链
3. 前端右侧溯源面板当前显示的是最近一轮问答的 sources + tool_trace
4. 当前系统更适合企业文档、财报与结构化金融问题，不是通用互联网问答产品

适合写在简历上的项目描述

可以这样概括这个项目：

基于 LangGraph、LlamaIndex、Chroma 和 FastAPI 搭建企业知识问答与质检中台，实现多工具 Agent 编排、混合 RAG 检索、来源溯源、坏案例回收、AI 自动巡检和黄金问答沉淀。