金普新区AI智能精灵

为解决特定领域（如政务、企业内部）知识获取效率低、内容创作耗时、日常办公流程繁琐等痛点，本项目旨在打造一个集成多种AI能力的一站式智能中台。其核心目标是：通过AI技术赋能，将海量非结构化的文档、资料转化为即时可用的智能知识库，并提供强大的AIGC创作和办公自动化工具，从而大幅提升组织内部的工作效率和信息服务水平。
平台核心功能矩阵如下：
智慧问答中心（RAG核心）： 整合了“金普百事通”、“政务问答”、“综治百科”等模块。用户可通过自然语言提问，系统能秒级响应，从海量内部文档、政策法规中检索并生成精准、可靠的答案，杜绝信息延迟和错漏。
AIGC创作引擎： 包括“金普妙笔”公文写作、智能文章摘要、周报润色、内容续写/灵感激发等。用户只需输入关键要素或初稿，即可一键生成格式规范、逻辑清晰的专业文稿，或对现有文本进行深度优化。
多媒体与工具集： 集成了文生图、语音识别、PDF合并拆分、AI Excel公式助手、二维码生成等高频实用工具，将复杂的处理流程简化为一键式操作。
业务流程示例：
用户登录统一门户后，可直达功能面板。例如，当需要查询某项政策时，进入“政务问答”，输入问题后，系统后台将自动执行“查询理解 -> 向量检索 -> 上下文注入 -> LLM生成 -> 答案输出”的完整RAG链路，最终将结构化答案呈现给用户。

项目实现
架构与技术栈：
项目采用前后端分离的微服务架构，确保了系统的高内聚、低耦合与弹性伸缩能力。
后端主力技术栈： 我选用Java (Spring Cloud Alibaba) 作为基础框架，负责用户权限(RBAC)、任务调度、API网关、日志监控等高稳定性的业务支撑模块，确保企业级的健壮性。
AI核心服务： 考虑到AI生态的丰富性，AI相关服务（如模型推理、RAG流程）则采用Python (FastAPI) 构建，通过轻量级接口与Java主服务通信，实现了技术栈的优势互补。
RAG技术实现： 核心的RAG流程中，我使用 LangChain 进行流程编排，选用 Milvus 作为向量数据库，对超过10万份行业文档进行高效的向量化索引与毫秒级检索。
我的职责与量化成果：
作为项目的唯一后端与架构负责人，我独立完成了从0到1的架构设计、技术选型、开发部署全流程。
成果1： 本地部署6个AI开源模型，因为政务环境要求内网，所以需要经过多轮中转与互联网模块交互
成果2： 通过对大模型API的请求合并与异步处理，将AIGC内容生成的并发处理能力提升了300%，有效应对高峰期使用。
成果3： 设计并实现了一套灵活的知识库更新机制，支持定时/手动触发文档同步，确保知识库内容的时效性。
遇到的核心难点与解决方案：
项目初期最大的挑战是RAG系统的“幻觉”问题和检索不精准。即使用户问题在知识库中有明确答案，模型有时仍会给出模糊或错误的结果。
我的解决方案是一套组合拳：
优化分块与嵌入（Embedding）： 放弃了简单的固定长度分块，采用了基于语义的递归文本分割策略，并对比测试了多种Embedding模型，选择了与业务领域文本最契合的模型，从源头上提升了检索内容的质量。
引入多路召回与重排（Rerank）： 除了向量相似度检索，我还增加了传统的关键词检索（如BM25）作为补充，形成多路召回。在召回初步结果后，引入了一个轻量级的Reranker模型进行二次精排，确保最相关的内容块排在最前。
精细化Prompt工程： 我设计了极其严格的Prompt模板，通过指令明确强制模型必须且仅能根据我提供的上下文来回答问题，若上下文中无相关信息，则明确告知用户“知识库暂无此信息”，极大地遏制了模型自由发挥产生的幻觉。