企业知识库智能问答系统 —— 项目总览与架构设计

前言

最近完成了一个基于 RAGFlow + LangChain 的企业知识库智能问答系统。这篇文章对项目的整体架构、技术选型和模块划分做一个总览，后续文章会逐一深入每个模块的实现细节。

技术栈

整体架构

┌─────────────────────────────────────┐
│           Vue.js 前端 (ui/)         │
│   Element Plus + EventSource 流式   │
└──────────────┬──────────────────────┘
              │ HTTP / SSE
┌──────────────▼──────────────────────┐
│       FastAPI 接口层 (api/)         │
│   路由、CORS、请求模型、流式响应     │
└──────────────┬──────────────────────┘
              │
┌──────────────▼──────────────────────┐
│     核心调度层 (output/)           │
│   会话管理、处理器缓存、流式转发     │
└──────────────┬──────────────────────┘
              │
┌──────────────▼──────────────────────┐
│     LangChain 工具层                 │
│ ┌─────────┬──────────┬──────────┐ │
│ │ 意图识别 │ 处理链   │ 记忆管理 │ │
│ │ intent │ chains   │ memory   │ │
│ └─────────┴──────────┴──────────┘ │
└──────────────┬──────────────────────┘
              │
┌──────────────▼──────────────────────┐
│     RAGFlow 集成层                   │
│ ┌─────────┬──────────┬──────────┐ │
│ │会话管理 │ 助手选择 │ 知识检索 │ │
│ └─────────┴──────────┴──────────┘ │
│         RAGFlow 知识库引擎           │
└─────────────────────────────────────┘

模块职责

api/ — 接口层

• main.py: FastAPI 应用定义，提供 /api/chat（普通）和 /api/chat/stream（SSE 流式）两个聊天接口，以及 /api/memory/clear 清除会话记忆

• run_api.py: 启动脚本

output/ — 调度层

• main_service.py: 管理多个会话的处理器实例（字典缓存），对外暴露 get_response() 流式生成器和 clear_session_memory() 清理函数

Langchain_utils/ — 智能处理层

• intent.py: 意图识别，使用 LangChain tool-calling 判断用户是想查知识库还是闲聊

• chains.py: 两条处理链——知识库链（检索增强生成）和通用对话链（纯 LLM 回答）

• memory.py: 基于 MongoDB 的对话记忆持久化

• processor.py: 统一处理器，串联记忆加载 → 意图识别 → 链选择 → 流式输出

• config.py: MongoDB 连接配置

RAGFlow_mcp/ — RAGFlow 集成层

• chat.py: 对外极简封装，提供 RAGFlow_chat() 和 get_assistants()

• handler.py: 分析用户输入的意图（查列表/指定助手/自动选择），路由到对应工具

• tool.py: 三种工具——列出助手、指定助手回答、自动选择助手回答

RAGFlow_utils/ — RAGFlow 底层工具

• create_ask_delete.py: 创建临时会话 → 提问 → 获取答案 → 删除会话，用于单次查询

• list_chat_assistant.py: 获取所有聊天助手及其关联知识库

• query_enhancer.py: 查询增强，解决代词指代和上下文依赖问题

ui/ — 前端

• Vue 3 + Element Plus，支持流式接收（EventSource）和普通请求两种模式

请求处理全流程

一个用户问题的完整处理链路：

用户输入问题
  ↓
FastAPI 接收请求（带 session_id）
  ↓
output/main_service 查找/创建该会话的 processor
  ↓
processor 加载 MongoDB 中的对话历史
  ↓
intent.detect_intent() 判断意图（knowledge_base / general_chat）
  ↓
根据意图选择 chain：
– knowledge_chain → 查询增强 → RAGFlow 检索 → LLM 总结
– general_chain → 直接 LLM 对话
  ↓
流式输出 chunk（SSE → 前端逐字渲染）
  ↓
对话存入 MongoDB 记忆

关键设计决策

为什么用临时会话模式？ RAGFlow 原生会话会累积历史。项目采用"创建→提问→获取答案→删除"的单次模式，每次查询都是全新的临时会话，避免 RAGFlow 侧会话膨胀，由 LangChain 侧负责对话记忆管理。

为什么有两层意图识别？

• RAGFlow_mcp/handler.py 识别用户想用哪个助手（第一层）

• Langchain_utils/intent.py 识别用户是否需要查知识库（第二层）

两层分工不同：第一层做助手路由，第二层做知识库/闲聊二分类。

为什么模块拆得这么细？ 每个模块职责单一，方便独立测试和修改。比如想换一个 LLM 服务商，只需改 chains.py 和 intent.py 中的模型初始化，不影响其他模块。

小结

本文梳理了"万象智识库"的整体架构和模块划分。核心思路是：FastAPI 做接口、LangChain 做编排、RAGFlow 做检索、MongoDB 做记忆。后续文章会逐一深入每个模块的实现细节。