# PKB 模块：Dify 替换为 pgvector 开发计划

> **文档版本：** v1.0  
> **创建日期：** 2026-01-19  
> **预计工期：** 2 周（10个工作日）  
> **前置条件：** ✅ pgvector 0.8.1 已安装  
> **目标：** 用 PostgreSQL + pgvector 原生 RAG 替代 Dify，实现 R-C-R-G 混合检索架构

---

## 📊 整体难度评估

### 总体评估：⭐⭐⭐ 中等难度

| 评估维度 | 难度 | 说明 |
|----------|------|------|
| **数据库设计** | ⭐⭐ 低 | Prisma schema 直接写，pgvector 已就绪 |
| **Embedding 服务** | ⭐⭐ 低 | 调用阿里云 API，简单封装 |
| **文档切片** | ⭐⭐ 低 | 成熟方案，RecursiveCharacterTextSplitter |
| **全要素提取** | ⭐⭐⭐ 中 | 需要调优 Prompt，处理 JSON 异常 |
| **向量检索** | ⭐⭐⭐ 中 | pgvector SQL 语法需要学习 |
| **混合检索（RRF）** | ⭐⭐⭐ 中 | 核心算法，需要调优 |
| **服务替换** | ⭐⭐⭐⭐ 中高 | 需要保持 API 兼容，测试覆盖 |
| **数据迁移** | ⭐⭐⭐ 中 | 现有文档需重新向量化 |

**综合评估**：技术上完全可行，主要挑战在于**服务替换的平滑过渡**和**检索效果调优**。

---

## 🔥 核心挑战分析

### 挑战 1：混合检索效果调优 🔴 高风险

**问题描述**：
- 替换 Dify 后，检索效果可能下降
- 需要调优向量检索 + 关键词检索的权重
- RRF 参数（k 值）需要实验确定

**应对策略**：
- 准备测试数据集（100+ 查询）
- 建立效果评估指标（Recall@K, MRR）
- 先用小批量数据验证，再全量迁移

**预留时间**：2 天专门用于调优

---

### 挑战 2：全要素提取的准确性 🟡 中风险

**问题描述**：
- LLM 提取的 JSON 可能格式错误
- PICO、用药方案等字段提取不完整
- 不同类型文献（RCT/综述/病例）提取策略不同

**应对策略**：
- 三层 JSON 解析容错（直接解析 → 提取代码块 → LLM修复）
- 字段级校验（必填字段、类型校验）
- 分文献类型设计 Prompt

**预留时间**：1 天用于 Prompt 调优

---

### 挑战 3：服务替换的兼容性 🟡 中风险

**问题描述**：
- 需要保持 API 接口不变（前端零修改）
- `searchKnowledgeBase()` 返回格式需兼容
- 文档上传流程需要无缝切换

**应对策略**：
- 定义适配层，转换返回格式
- 新旧服务并行运行，灰度切换
- 充分测试所有使用场景

**预留时间**：1 天专门用于兼容性测试

---

### 挑战 4：向量数据的批量处理 🟢 低风险

**问题描述**：
- 批量 Embedding 调用需要控制并发
- 阿里云 API 有 QPS 限制
- 大文档切片后向量较多

**应对策略**：
- 使用 p-queue 控制并发（固定 3 并发）
- 批量 Embedding（每次最多 25 条）
- 增量处理，支持断点续传

---

## 📅 详细开发计划

### 总览时间线

```
Week 1: 基础设施 + 核心服务开发
├── Day 1: 数据库设计 + Prisma 迁移
├── Day 2: Embedding 服务 + 切片服务
├── Day 3: 全要素提取服务（Prompt 调优）
├── Day 4: 向量检索服务（pgvector SQL）
├── Day 5: 混合检索 + RRF 融合

Week 2: 服务替换 + 测试 + 迁移
├── Day 6: 修改 knowledgeBaseService（检索替换）
├── Day 7: 修改 documentService（上传替换）
├── Day 8: 集成测试 + 效果调优
├── Day 9: 数据迁移（现有文档向量化）
├── Day 10: 清理 + 文档 + 上线
```

---

### Day 1：数据库设计 + Prisma 迁移

**目标**：创建向量存储的数据表

**任务清单**：
- [ ] 设计 `EkbDocument` 表（增强文档，含临床数据 JSONB 字段）
- [ ] 设计 `EkbChunk` 表（向量切片，含 pgvector 字段）
- [ ] 编写 Prisma schema
- [ ] 运行 `prisma migrate dev`
- [ ] 创建 HNSW 索引（手动 SQL）
- [ ] 验证向量插入和查询

**交付物**：
- `prisma/schema.prisma` 更新
- `migrations/xxx_add_ekb_tables.sql`
- 索引创建脚本

**预计工时**：4-6 小时

**关键代码**：

```prisma
// schema.prisma

model EkbDocument {
  id              String   @id @default(uuid())
  kbId            String
  userId          String
  
  // 基础信息
  filename        String
  fileType        String
  fileSizeBytes   BigInt
  fileUrl         String              // 原始 PDF 的 OSS 地址
  extractedText   String?  @db.Text   // 解析后的 Markdown/文本
  
  // 临床数据（JSONB）
  pico            Json?
  studyDesign     Json?
  regimen         Json?
  safety          Json?
  criteria        Json?
  endpoints       Json?
  
  // 状态
  status          String   @default("pending")
  errorMessage    String?  @db.Text
  
  chunks          EkbChunk[]
  knowledgeBase   KnowledgeBase @relation(fields: [kbId], references: [id], onDelete: Cascade)
  
  createdAt       DateTime @default(now())
  updatedAt       DateTime @updatedAt
  
  @@index([kbId])
  @@index([status])
  @@schema("pkb_schema")
}

model EkbChunk {
  id          String   @id @default(uuid())
  documentId  String
  
  content     String   @db.Text
  pageNumber  Int?
  sectionType String?
  
  // pgvector 字段（需要手动创建）
  embedding   Unsupported("vector(1024)")?
  
  document    EkbDocument @relation(fields: [documentId], references: [id], onDelete: Cascade)
  
  createdAt   DateTime @default(now())
  
  @@index([documentId])
  @@schema("pkb_schema")
}
```

**手动 SQL（创建索引）**：

```sql
-- 创建 HNSW 索引
CREATE INDEX IF NOT EXISTS ekb_chunk_embedding_idx 
ON "pkb_schema"."EkbChunk" 
USING hnsw (embedding vector_cosine_ops)
WITH (m = 16, ef_construction = 64);

-- 创建全文检索索引
CREATE INDEX IF NOT EXISTS ekb_chunk_content_idx 
ON "pkb_schema"."EkbChunk" 
USING gin (to_tsvector('simple', content));

-- 创建 JSONB GIN 索引（用于临床数据查询）
CREATE INDEX IF NOT EXISTS ekb_document_pico_idx 
ON "pkb_schema"."EkbDocument" 
USING gin (pico);

CREATE INDEX IF NOT EXISTS ekb_document_safety_idx 
ON "pkb_schema"."EkbDocument" 
USING gin (safety);
```

---

### Day 2：Embedding 服务 + 切片服务

**目标**：实现文本向量化和文档切片

**任务清单**：
- [ ] 创建 `EmbeddingService.ts`（阿里云 text-embedding-v3）
- [ ] 创建 `ChunkService.ts`（RecursiveCharacterTextSplitter）
- [ ] 单元测试：Embedding API 调用
- [ ] 单元测试：切片效果验证
- [ ] 环境变量配置（DASHSCOPE_API_KEY）

**交付物**：
- `backend/src/common/rag/EmbeddingService.ts`
- `backend/src/common/rag/ChunkService.ts`
- 单元测试文件

**预计工时**：4-6 小时

**关键代码**：

```typescript
// EmbeddingService.ts
export class EmbeddingService {
  private apiKey: string;
  private baseUrl = 'https://dashscope.aliyuncs.com/api/v1/services/embeddings/text-embedding/text-embedding';

  async embed(text: string): Promise<number[]> { ... }
  async embedBatch(texts: string[]): Promise<number[][]> { ... }
  async embedQuery(query: string): Promise<number[]> { ... }
}

// ChunkService.ts
export class ChunkService {
  splitDocument(
    text: string,
    options: { chunkSize: number; chunkOverlap: number }
  ): Chunk[] { ... }
  
  detectSections(text: string): Section[] { ... }
}
```

---

### Day 3：全要素提取服务

**目标**：实现 PICO、用药方案等临床数据的 AI 提取

**任务清单**：
- [ ] 创建 `ClinicalExtractionService.ts`
- [ ] 设计提取 Prompt（参考 EKB 方案）
- [ ] 实现三层 JSON 解析容错
- [ ] 测试不同类型文献（RCT、综述、病例）
- [ ] Prompt 调优（提高提取准确率）

**交付物**：
- `backend/src/modules/pkb/services/ClinicalExtractionService.ts`
- `backend/prompts/clinical_extraction.txt`
- 测试用例

**预计工时**：6-8 小时（含 Prompt 调优）

**关键 Prompt**：

```
你是一个医学数据专家。请阅读这篇文献，严格按照以下 JSON 格式提取关键信息。
如果文中未提及，字段留空（null）。

提取字段：
1. pico: { "P": "患者人群", "I": "干预措施", "C": "对照", "O": "结局指标" }
2. studyDesign: { "design": "研究类型", "sampleSize": 数字, "blinding": "盲法" }
3. regimen: [{ "drug": "药物名", "dose": "剂量", "frequency": "频率" }]
4. safety: { "ae_all": ["不良反应列表"], "ae_grade34": ["严重不良反应"] }
5. criteria: { "inclusion": ["纳入标准"], "exclusion": ["排除标准"] }
6. endpoints: { "primary": ["主要终点"], "secondary": ["次要终点"] }

输出必须是纯 JSON，不要有任何前言或后缀。

---
文献内容：
{{fullText}}
```

---

### Day 4：向量检索服务（pgvector SQL）

**目标**：实现基于 pgvector 的向量检索

**任务清单**：
- [ ] 创建 `VectorSearchService.ts`
- [ ] 实现向量检索（余弦相似度）
- [ ] 实现关键词检索（PostgreSQL FTS）
- [ ] 测试检索性能（1000+ 向量）
- [ ] 优化查询（索引使用验证）

**交付物**：
- `backend/src/common/rag/VectorSearchService.ts`
- 性能测试报告

**预计工时**：6 小时

**关键 SQL**：

```sql
-- 向量检索
SELECT 
  c.id,
  c.content,
  d.filename,
  1 - (c.embedding <=> $1::vector) as score
FROM "pkb_schema"."EkbChunk" c
JOIN "pkb_schema"."EkbDocument" d ON c."documentId" = d.id
WHERE d."kbId" = $2
ORDER BY c.embedding <=> $1::vector
LIMIT $3;

-- 关键词检索
SELECT 
  c.id,
  c.content,
  d.filename,
  ts_rank_cd(to_tsvector('simple', c.content), plainto_tsquery('simple', $1)) as score
FROM "pkb_schema"."EkbChunk" c
JOIN "pkb_schema"."EkbDocument" d ON c."documentId" = d.id
WHERE d."kbId" = $2
  AND to_tsvector('simple', c.content) @@ plainto_tsquery('simple', $1)
ORDER BY score DESC
LIMIT $3;
```

---

### Day 5：混合检索 + RRF 融合

**目标**：实现 R-C-R-G 架构中的混合检索

**任务清单**：
- [ ] 实现 RRF（Reciprocal Rank Fusion）算法
- [ ] 实现并发三路检索（向量 + 关键词 + SQL 筛选）
- [ ] 集成 Rerank API（可选，qwen-rerank）
- [ ] 效果评估（对比 Dify 检索）
- [ ] 参数调优（k 值、权重）

**交付物**：
- RRF 融合模块
- 效果评估报告

**预计工时**：6-8 小时

**RRF 算法**：

```typescript
function rrfFusion(
  vectorResults: Result[],
  keywordResults: Result[],
  k: number = 60  // RRF 常数，通常取 60
): Result[] {
  const scoreMap = new Map<string, number>();

  // 计算 RRF 分数
  vectorResults.forEach((r, idx) => {
    const rrfScore = 1 / (k + idx + 1);
    scoreMap.set(r.id, (scoreMap.get(r.id) || 0) + rrfScore);
  });

  keywordResults.forEach((r, idx) => {
    const rrfScore = 1 / (k + idx + 1);
    scoreMap.set(r.id, (scoreMap.get(r.id) || 0) + rrfScore);
  });

  // 排序返回
  return Array.from(scoreMap.entries())
    .sort((a, b) => b[1] - a[1])
    .map(([id, score]) => ({ id, score }));
}
```

---

### Day 6：修改 knowledgeBaseService（检索替换）

**目标**：替换 Dify 检索为 pgvector 检索

**任务清单**：
- [ ] 修改 `searchKnowledgeBase()` 函数
- [ ] 移除 `difyClient.retrieveKnowledge()` 调用
- [ ] 使用 `vectorSearchService.hybridSearch()`
- [ ] 保持返回格式兼容（前端零修改）
- [ ] 单元测试

**交付物**：
- 更新后的 `knowledgeBaseService.ts`

**预计工时**：4 小时

**关键修改**：

```typescript
// 修改前
const results = await difyClient.retrieveKnowledge(
  knowledgeBase.difyDatasetId,
  query,
  { retrieval_model: { search_method: 'semantic_search', top_k: topK } }
);

// 修改后
const searchResults = await vectorSearchService.hybridSearch(kbId, query, topK);

// 格式转换（保持兼容）
return {
  query: { content: query },
  records: searchResults.map((r, idx) => ({
    segment_id: r.id,
    document_id: r.documentId,
    document_name: r.documentName,
    position: idx + 1,
    score: r.score,
    content: r.content,
  })),
};
```

---

### Day 7：修改 documentService（上传替换）

**目标**：替换 Dify 上传流程为本地向量化流程

**任务清单**：
- [ ] 修改 `uploadDocument()` 函数
- [ ] 移除 `difyClient.uploadDocumentDirectly()` 调用
- [ ] 实现本地处理流程（提取 → 切片 → 向量化）
- [ ] 移除 Dify 状态轮询逻辑
- [ ] 实现自己的异步处理和状态更新
- [ ] 单元测试

**交付物**：
- 更新后的 `documentService.ts`

**预计工时**：6 小时

---

### Day 8：集成测试 + 效果调优

**目标**：端到端测试，确保功能正常

**任务清单**：
- [ ] 前端测试：创建知识库
- [ ] 前端测试：上传文档
- [ ] 前端测试：RAG 检索问答
- [ ] 效果对比：Dify vs pgvector 检索质量
- [ ] 性能测试：检索延迟
- [ ] Bug 修复

**交付物**：
- 测试报告
- Bug 修复记录

**预计工时**：8 小时

---

### Day 9：数据迁移（现有文档向量化）

**目标**：将现有知识库文档迁移到新表并向量化

**任务清单**：
- [ ] 编写迁移脚本（Document → EkbDocument）
- [ ] 批量向量化现有文档
- [ ] 验证迁移完整性
- [ ] 验证检索效果

**交付物**：
- `scripts/migrate-to-ekb.ts`
- 迁移日志

**预计工时**：6 小时

**迁移脚本**：

```typescript
// scripts/migrate-to-ekb.ts
async function migrateDocuments() {
  // 1. 获取所有现有文档
  const documents = await prisma.document.findMany({
    where: { status: 'completed', extractedText: { not: null } },
  });

  console.log(`Found ${documents.length} documents to migrate`);

  // 2. 逐个迁移
  for (const doc of documents) {
    try {
      // 创建 EkbDocument
      const ekbDoc = await prisma.ekbDocument.create({
        data: {
          kbId: doc.kbId,
          userId: doc.userId,
          filename: doc.filename,
          fileType: doc.fileType,
          fileSizeBytes: doc.fileSizeBytes,
          extractedText: doc.extractedText,
          status: 'embedding',
        },
      });

      // 切片
      const chunks = chunkService.splitDocument(doc.extractedText!);

      // 向量化
      const embeddings = await embeddingService.embedBatch(
        chunks.map(c => c.content)
      );

      // 存入数据库
      // ...

      console.log(`✅ Migrated: ${doc.filename}`);
    } catch (error) {
      console.error(`❌ Failed: ${doc.filename}`, error);
    }
  }
}
```

---

### Day 10：清理 + 文档 + 上线

**目标**：清理遗留代码，更新文档，正式上线

**任务清单**：
- [ ] 删除 `DifyClient.ts`
- [ ] 删除 `difyDatasetId` 字段（可选，下个版本）
- [ ] 删除 `difyDocumentId` 字段（可选，下个版本）
- [ ] 更新 `00-模块当前状态与开发指南.md`
- [ ] 更新环境变量文档
- [ ] 代码 Review
- [ ] 合并到主分支

**交付物**：
- 更新后的文档
- 清理后的代码

**预计工时**：4 小时

---

## ⚠️ 风险评估与应对

### 风险矩阵

| 风险 | 概率 | 影响 | 等级 | 应对措施 |
|------|------|------|------|----------|
| 检索效果下降 | 中 | 高 | 🔴 | 效果评估 + 参数调优 + 回滚方案 |
| API 兼容性问题 | 低 | 高 | 🟡 | 格式转换层 + 充分测试 |
| Embedding API 限流 | 中 | 中 | 🟡 | 并发控制 + 重试机制 |
| 迁移数据丢失 | 低 | 高 | 🟡 | 备份 + 验证 + 回滚 |
| 性能下降 | 低 | 中 | 🟢 | 索引优化 + 缓存 |

### 回滚方案

如果新方案效果不理想，可以：
1. 保留 `difyDatasetId` 字段，随时切回 Dify
2. 新旧服务通过 Feature Flag 切换
3. 灰度发布：先 10% 用户使用 pgvector

---

## 📊 资源需求

### 人力资源

| 角色 | 工作量 | 说明 |
|------|--------|------|
| 后端开发 | 10 人天 | 核心开发 |
| 测试 | 2 人天 | 集成测试 + 效果评估 |
| **总计** | **12 人天** | 约 2 周 |

### 技术资源

| 资源 | 用途 | 成本 |
|------|------|------|
| 阿里云 DashScope | Embedding API | ~¥50/月 |
| 阿里云 DashScope | Rerank API（可选） | ~¥20/月 |
| PostgreSQL | 已有 | ¥0 |

---

## ✅ 验收标准

### 功能验收

- [ ] 创建知识库：不依赖 Dify，直接创建
- [ ] 上传文档：本地处理 + 向量化
- [ ] RAG 检索：混合检索效果 ≥ Dify
- [ ] 全文阅读模式：正常工作
- [ ] 批处理模式：正常工作

### 性能验收

- [ ] 检索延迟：< 500ms（95 分位）
- [ ] 上传处理：< 60s/文档（平均）
- [ ] 向量化吞吐：> 100 文档/小时

### 质量验收

- [ ] 检索召回率：≥ 80%（测试集）
- [ ] 无 Dify 相关代码残留
- [ ] 文档更新完整

---

## 📝 附录

### A. 相关文档

- [企业级医学知识库综合技术解决方案 V2](../00-系统设计/企业级医学知识库_综合技术解决方案%20V2.md)
- [PostgreSQL与pgvector深度应用分析](../00-系统设计/医疗科研AI系统架构评估报告：PostgreSQL与pgvector在RAG及知识库中的深度应用分析.md)
- [PKB模块当前状态](../00-模块当前状态与开发指南.md)

### B. 环境变量配置

```bash
# .env 新增
DASHSCOPE_API_KEY=sk-xxx              # 阿里云 DashScope API Key
EMBEDDING_MODEL=text-embedding-v3     # Embedding 模型
EMBEDDING_DIMENSION=1024              # 向量维度
RERANK_MODEL=gte-rerank              # Rerank 模型（可选）
```

### C. 依赖更新

```json
// package.json
{
  "dependencies": {
    // 新增
    "langchain": "^0.1.0",           // 可选，用于切片
    "p-queue": "^8.0.0"              // 并发控制
  }
}
```

---

**文档维护**：PKB 模块开发团队  
**最后更新**：2026-01-19  
**下次更新**：开发完成后更新进度