# **知识库引擎架构设计**

文档版本： v1.2 (架构审核优化版)  
创建日期： 2026-01-20  
最后更新： 2026-01-20  
核心变更： 强调异步入库、中文检索方案、成本控制策略  
能力定位： 通用能力层

## **📋 概述**

### **能力定位**

知识库引擎是平台的**核心通用能力**，提供知识库相关的**基础能力（乐高积木）**，供业务模块根据场景自由组合。

### **⭐ 核心设计原则**

┌─────────────────────────────────────────────────────────────┐  
│                                                             │  
│   ✅ 提供基础能力（乐高积木）                                 │  
│   ❌ 不做策略选择（组装方案由业务模块决定）                    │  
│   ⚡️ 入库必须异步（防止超时）                                 │  
│   💰 提取按需开启（控制成本）                                 │  
│                                                             │  
└─────────────────────────────────────────────────────────────┘

## **🎯 基础能力清单 (API Definition)**

### **1\. 文档入库 (异步核心)**

/\*\*  
 \* 文档入库任务提交  
 \* @returns taskId \- 用于轮询进度  
 \*/  
async function submitIngestTask(params: {  
  kbId: string;  
  file: Buffer;  
  options?: {  
    // 💰 成本控制开关  
    enableSummary?: boolean;      // 是否生成摘要 (DeepSeek)  
    enableClinicalExtraction?: boolean; // 是否提取PICO (DeepSeek)  
    chunkSize?: number;           // 切片大小  
  }  
}): Promise\<{ taskId: string }\>;

/\*\*  
 \* 获取任务状态  
 \*/  
async function getIngestStatus(taskId: string): Promise\<{  
  status: 'pending' | 'processing' | 'completed' | 'failed';  
  progress: number; // 0-100  
  error?: string;  
}\>;

### **2\. 内容获取 (数据积木)**

| 方法 | 说明 | 典型场景 |
| :---- | :---- | :---- |
| getDocumentFullText(id) | 获取 Markdown 全文 | 少量文档精读 (PKB) |
| getDocumentSummary(id) | 获取 AI 生成的摘要 | 快速筛选 (AIA) |
| getClinicalData(id) | 获取 PICO/JSON 结构化数据 | 药物评价 (ASL) |

### **3\. 检索能力 (搜索积木)**

| 方法 | 说明 | 技术实现 |
| :---- | :---- | :---- |
| vectorSearch(query, k) | 语义检索 | pgvector (HNSW) |
| keywordSearch(query, k) | 关键词检索 | **pg\_trgm (ILIKE)** / tsvector |
| hybridSearch(query, k) | 混合检索 | RRF 融合算法 |
| rerank(docs, query) | **\[新增\]** 重排序 | Qwen-Rerank API |

## **🏗️ 关键技术决策**

### **1\. 中文关键词检索方案**

鉴于 PostgreSQL 默认分词对中文支持不佳，且 RDS 插件管理受限，采用 **pg\_trgm (Trigram)** 方案。

* **优势**：对模糊匹配（如 "帕博利珠" 匹配 "帕博利珠单抗"）效果极佳，配置简单。  
* **实现**：  
  \-- 开启插件  
  CREATE EXTENSION IF NOT EXISTS pg\_trgm;  
  \-- 创建索引  
  CREATE INDEX trgm\_idx ON "ekb\_schema"."EkbChunk" USING gin (content gin\_trgm\_ops);  
  \-- 查询  
  SELECT \* FROM chunk WHERE content ILIKE '%关键词%';

### **2\. 成本控制策略**

* **默认行为**：ingestDocument 默认**只做** 解析 \+ 切片 \+ 向量化。这是零 LLM 成本的。  
* **高级行为**：只有当 enableClinicalExtraction: true 时，才调用 DeepSeek 进行 PICO 提取。这通常用于 ASL（智能文献）模块，而在 PKB（个人知识库）中可选开启。

## **📊 业务模块策略组合 (Updated)**

### **场景 1：ASL 智能文献筛选 (高精度)**

* **入库**：开启 enableClinicalExtraction，提取 PICO 和 结果数据。  
* **检索**：  
  1. **SQL 粗筛**：WHERE pico-\>\>'P' ILIKE '%肺癌%'  
  2. **混合检索**：hybridSearch (Top 50\)  
  3. **重排序**：rerank (Top 10\)  
  4. **回答**：基于 Top 10 生成。

### **场景 2：PKB 个人知识库 (低成本)**

* **入库**：关闭高级提取，仅做向量化。  
* **检索**：  
  1. **混合检索**：hybridSearch (Top 20\)  
  2. **回答**：基于 Top 20 生成。

## **📅 更新日志**

### **v1.2 (2026-01-20)**

* ⚡️ **架构调整**：入库接口改为异步，返回 taskId。  
* 🔧 **技术选型**：关键词检索明确使用 pg\_trgm 方案以支持中文。  
* 💰 **策略优化**：增加 options 开关，默认关闭高成本提取功能。  
* 🆕 **新增接口**：独立暴露 rerank() 能力。

### **v1.1 (2026-01-20)**

* 确立“积木”原则，移除 Chat 方法。