[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"ad-slot-floating-promo":3,"$fjgzhcVvZZlTSdeYaVHPeP_fbPoU9JV_YpQCbfREw5Rk":6,"ad-slot-course-detail-side":31},{"data":4,"_fetchedAt":5},[],1783500646751,{"id":7,"name":8,"icon":9,"description":10,"category":11,"price":12,"originalPrice":13,"content":14,"resources":15,"status":21,"tags":22,"type":28,"url":29,"orders":30},91,"AI 企业知识库","knowledge","基于文档解析、文本切片、Embedding、PGVector和RAG问答，实现知识库管理、资料上传、智能检索、企业问答、来源引用和模型配置管理，适合学习RAG落地与引用链路。","AI_PROJECT",14900,25900,"\u003Ch2>一、项目技术栈\u003C\u002Fh2>\n\u003Cp>前后端分离\u003C\u002Fp>\n\u003Cp>\u003Cstrong>后端\u003C\u002Fstrong>：SpringBoot3 + MyBatis + PageHelper + Hutool + Apache POI + PDFBox\u003Cbr>\u003Cstrong>前端\u003C\u002Fstrong>：Vue3 + Vite + Element-Plus + Vue-Router + Axios\u003Cbr>\u003Cstrong>AI 技术\u003C\u002Fstrong>：RAG 检索增强生成 + Embedding 向量化 + PGVector 向量相似度检索 + TopK 检索与相似度阈值过滤 + Prompt 上下文拼接 + 资料来源追踪\n\u003Cstrong>数据库\u003C\u002Fstrong>：MySQL（业务数据）+ PostgreSQL + PGVector（向量数据）\u003C\u002Fp>\n\u003Cp>版本要求：\njdk 不低于 17，MySQL 5.7 或者 8，node.js 版本 18 以上，maven 版本建议 3.8 及以上，navicat 建议不低于 16\u003C\u002Fp>\n\u003Ch2>二、项目功能描述\u003C\u002Fh2>\n\u003Ch3>1. 管理员\u003C\u002Fh3>\n\u003Cp>登录、个人信息、修改密码\u003Cbr>用户信息：管理系统所有用户\u003Cbr>AI 模型配置：维护聊天模型与向量（Embedding）模型配置\u003Cbr>知识库管理：创建知识库分类，配置切片长度与重叠长度\u003Cbr>知识文档管理：上传 PDF \u002F DOCX \u002F TXT \u002F MD 文档，查看解析文本与解析状态\u003Cbr>知识文档文本解析：将上传文档解析为纯文本\u003Cbr>知识片段切分与管理：按 chunkSize、overlapSize 将长文本切分为知识片段\u003Cbr>片段 Embedding 向量化：选择向量模型对片段执行向量化并写入 PGVector\u003Cbr>智能客服问答测试：在管理端输入问题测试 RAG 问答效果，查看命中的资料来源  \u003C\u002Fp>\n\u003Ch3>2. 用户\u003C\u002Fh3>\n\u003Cp>登录、注册、个人信息、修改密码\u003Cbr>系统首页：展示产品能力介绍\u003Cbr>AI 客服弹窗：向智能客服提问，系统先检索相似知识片段，再调用聊天模型生成基于企业资料的回答  \u003C\u002Fp>\n\u003Ch2>三、项目创新点\u003C\u002Fh2>\n\u003Col>\n\u003Cli>\u003Cstrong>完整的企业级 RAG 工程链路\u003C\u002Fstrong>：从文档上传、文本解析、片段切分、向量化、向量入库到检索、Prompt 拼接、模型生成，完整覆盖 RAG 全流程，而非停留在"调一次大模型"。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>知识库、文档、片段三层数据结构\u003C\u002Fstrong>：\u003Ccode>knowledge_base → knowledge_document → knowledge_segment → knowledge_segment_vector\u003C\u002Fcode> 层层拆解，切片参数随知识库配置，模型可灵活演进。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>MySQL + PGVector 混合存储\u003C\u002Fstrong>：业务数据放 MySQL，向量数据放 PostgreSQL + PGVector，各司其职，附带 Windows 本地安装 PGVector 的完整教程。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>资料来源可追踪、答案有依据\u003C\u002Fstrong>：回答同时返回命中的知识片段来源，让 AI 客服回答有据可查，避免大模型凭空编造。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>TopK + 相似度阈值双重过滤\u003C\u002Fstrong>：检索阶段结合 TopK 与相似度阈值过滤低相关片段，提升上下文质量与回答准确率。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>聊天模型与向量模型独立配置\u003C\u002Fstrong>：Embedding 模型与对话模型分开管理，可分别替换，方便对比不同向量模型的检索效果。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Ch2>六、关键页面截图\u003C\u002Fh2>\n\u003Cp>（等武哥补充关键页面截图）\u003C\u002Fp>\n",[16,17,18,19,20],"源码+SQL","喂饭学习教程","配套面试文档","环境安装文档","项目运行文档","上架",[23,24,25,26,27],"Springboot3","LLM","RAG","PGVector","Embedding","登峰造极",null,0,{"data":32,"_fetchedAt":33},[],1783500646755]