Elaina

后端技术栈#

• 核心框架：Spring Boot 3.3.5
• 数据库：PostgreSQL 17 + pgvector 0.8
• AI 集成：
  • 生成：阿里云百炼 qwen-plus
  • 向量化：硅基流动 BAAI/bge-m3
  • 重排：BAAI/bge-reranker-v2-m3
• 部署：Docker Compose

前端技术栈#

• 框架：Vue 3.5 + TypeScript
• 构建：Vite 6
• UI 库：Element Plus
• 状态管理：Pinia

1. RAG 知识问答#

系统采用 Parent-Child 分块策略：

• 检索粒度：小块（child chunk），提升召回精度
• 回答上下文：大块（parent chunk），保留完整语义
• 多路召回：向量检索 + BM25 混合召回，pgvector 负责向量相似度计算

RAG 流程：

1. 用户提问经过意图分类（安全审查、拒答）
2. 查询向量化，从 PostgreSQL 检索 Top-K 候选
3. Reranker 对候选重排，筛选最相关片段
4. 组装上下文，调用大模型流式生成
5. 答案带来源引用，点击可查看原文

关键实现：

• 使用 pgvector 的 HNSW 索引加速向量检索
• 支持多轮对话，前端传递最近一轮历史
• 游客模式不保存对话，登录用户按会话隔离

2. 模拟面试与批改#

面试流程：

1. 选择范围（板块 + 类目），设置抽题数量
2. 系统随机抽题，用户依次作答
3. AI 对照题库原文批改，给出：
   • 得分（0-100）
   • 命中的知识点
   • 补充建议
4. 面试结束后生成场次总结，可回放对话

批改提示词设计：

• 使用题库原文作为标准答案
• 要求 AI 明确指出遗漏的关键点
• 给出具体的补充建议，不只是泛泛的鼓励

3. 题库与收藏#

题库组织：

• 板块（如 Agent、RAG、工具调用）
• 类目（二级分类）
• 题目（Markdown 格式，包含代码、图片）

收藏功能：

• 从问答的来源引用直接收藏
• 从题库浏览页收藏
• 按板块筛选，分页复习
• 用户数据隔离，支持删除

1. pgvector 向量检索优化#

1
-- HNSW 索引创建
2
CREATE INDEX chunks_embedding_hnsw_idx
3
ON chunks USING hnsw (embedding vector_cosine_ops)
4
WITH (m = 16, ef_construction = 64);
5

6
-- 向量相似度查询（余弦距离）
7
SELECT parent_id, content, 1 - (embedding <=> $1) AS score
8
FROM chunks
9
WHERE board_id = ANY($2)
10
ORDER BY embedding <=> $1
11
LIMIT 20;

优化策略：

• 使用 HNSW（Hierarchical Navigable Small World）索引，查询速度快
• m=16, ef_construction=64 平衡了索引构建速度和查询精度
• 板块过滤在向量检索前执行，减少计算量

2. 流式回答与引用#

后端使用 SseEmitter 流式推送：

• 答案逐 token 流式输出，降低首字延迟
• 引用信息在流结束后单独推送
• 前端按行解析 SSE，实时渲染 Markdown

3. 多模型配置与降级#

系统支持三个独立的模型端点：

• chat：生成端（问答、批改、总结）
• embed：向量端（语料向量化、查询向量化）
• rerank：重排端（召回候选打分）

降级策略：

• Rerank 失败时降级为向量检索排序
• 向量化失败时返回空结果，不阻断用户操作
• 生成失败时返回错误提示，不影响历史记录

4. 安全与权限#

• JWT 认证：HS256 签名，1 天过期
• 密码加密：BCrypt，防止彩虹表攻击
• 数据隔离：会话、收藏按 user_id 隔离，API 校验归属
• 管理员保护：禁止删除自己、禁用自己或取消自己的管理员角色

本地开发#

1
# 1. 启动后端（需要 PostgreSQL + pgvector）
2
cd server
3
./mvnw spring-boot:run
4

5
# 2. 启动前端
6
cd web
7
pnpm install
8
pnpm dev

Docker Compose 部署#

1
# 生产环境（PostgreSQL + 后端 + 前端 Nginx）
2
docker compose -f compose.prod.yml up -d
3

4
# 查看日志
5
docker compose -f compose.prod.yml logs -f server

环境变量配置：

• AI_CHAT_*：生成模型配置（API Key、Base URL、模型名）
• AI_EMBED_*：向量模型配置
• AI_RERANK_*：重排模型配置
• JWT_SECRET：JWT 签名密钥（生产必须修改）
• POSTGRES_*：数据库连接信息

详细配置见 .env.example。

1. RAG 不是银弹#

RAG 能减少幻觉，但不能完全消除：

• 检索召回不准时，答案仍会偏离
• 题库内容质量直接影响回答质量
• 需要持续优化分块策略和检索参数

经验：

• Parent-Child 分块比固定窗口效果好
• 混合检索（向量 + BM25）召回更全
• Rerank 对提升精度帮助很大，但有额外成本

2. 向量索引的权衡#

HNSW 索引构建慢但查询快，适合读多写少的场景。我的题库约 2000 个 chunk，索引构建耗时约 10 秒，但查询只需几毫秒。

踩过的坑：

• 初次部署时忘记建索引，查询超时
• ef_construction 设太大（200+），索引构建卡死
• 调整为 m=16, ef_construction=64 后平衡了性能

3. 流式回答的坑#

SSE 在生产环境可能被 Nginx、CDN 缓冲，导致前端收不到实时数据。

解决方案：

• Nginx 配置 proxy_buffering off;
• 每条消息以 \n\n 结尾，符合 SSE 规范
• 前端使用 EventSource 或 fetch 读取流

4. 用户体验细节#

• 游客模式：不登录也能问答，降低试用门槛
• 引用可点击：直接查看原文，增强可信度
• 暗色模式：长时间复习不刺眼
• 响应式设计：移动端也能流畅使用