AIclinicalresearch/docs/02-通用能力层/03-RAG引擎/02-pgvector替换Dify计划.md

通用能力层：知识库引擎 pgvector 实现计划

文档版本： v2.0
创建日期： 2026-01-19
重构日期： 2026-01-20（从 PKB 模块提升为通用能力层）
预计工期： 2 周（10个工作日）
前置条件： ✅ pgvector 0.8.1 已安装
目标： 构建通用知识库引擎，用 PostgreSQL + pgvector 原生 RAG 替代 Dify，服务全平台业务模块

---

🎯 项目定位变更

从业务模块到通用能力层

维度	原方案（PKB 模块）	新方案（通用能力层）
定位	PKB 模块内部改造	平台级通用能力
代码位置	modules/pkb/services/	common/rag/
使用范围	仅 PKB 模块	PKB、AIA、ASL、RVW 等
扩展性	有限	高度可扩展

受益模块

模块	使用场景	优先级
PKB 个人知识库	知识库管理、RAG 问答	P0（首个接入）
AIA AI智能问答	@知识库 问答、附件理解	P0
ASL AI智能文献	文献库检索、智能综述	P1
RVW 稿件审查	稿件与文献对比、查重	P1

---

📊 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
临床要素提取	⭐⭐⭐ 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
通用 API 设计	⭐⭐⭐ 中	需要考虑多模块复用
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，主要挑战在于通用 API 设计、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：通用 API 设计 🔴 高优先级

问题描述：

• 需要设计一套通用 API，满足多模块需求
• 不同模块可能有不同的检索策略
• 需要支持多知识库联合检索

应对策略：

• 设计 KnowledgeBaseEngine 统一入口类
• 提供灵活的配置选项（chunkSize、topK、filters 等）
• 支持 kbIds: string[] 多知识库检索

关键代码：

// common/rag/KnowledgeBaseEngine.ts
export class KnowledgeBaseEngine {
  // 文档入库
  async ingestDocument(params: IngestParams): Promise<IngestResult>;
  
  // 混合检索（通用）
  async search(params: SearchParams): Promise<SearchResult[]>;
  
  // RAG 问答（通用）
  async chat(params: ChatParams): Promise<ChatResult>;
}

---

挑战 2：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 3：临床要素提取的准确性 🟡 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 4：服务替换的兼容性 🟡 中风险

问题描述：

• PKB 模块需要保持 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

---

📅 详细开发计划

总览时间线

Week 1: 通用能力层核心开发
├── Day 1: 数据库设计 + Prisma 迁移
├── Day 2: Embedding 服务 + 切片服务
├── Day 3: 临床要素提取服务（Prompt 调优）
├── Day 4: 向量检索服务（pgvector SQL）
├── Day 5: 混合检索 + RRF 融合 + 统一入口

Week 2: PKB 模块接入 + 测试 + 迁移
├── Day 6: PKB knowledgeBaseService 改造
├── Day 7: PKB documentService 改造
├── 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（通用 schema）

任务清单：

• 创建 ekb_schema（Enterprise Knowledge Base）
• 设计 EkbDocument 表（通用文档，含临床数据 JSONB）
• 设计 EkbChunk 表（通用切片，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：

📌 数据模型详见：04-数据模型设计.md

包含完整的 EkbDocument / EkbChunk Prisma Schema 和索引设计。

---

Day 2：Embedding 服务 + 切片服务

目标：实现通用的文本向量化和文档切片服务

任务清单：

• 创建 common/rag/services/EmbeddingService.ts
• 创建 common/rag/services/ChunkService.ts
• 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/services/EmbeddingService.ts
• backend/src/common/rag/services/ChunkService.ts
• 单元测试文件

预计工时：4-6 小时

关键代码：

// common/rag/services/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[]> { ... }
}

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

---

Day 3：临床要素提取服务

目标：实现 PICO、用药方案等临床数据的 AI 提取（可选功能）

任务清单：

• 创建 common/rag/services/ClinicalExtractionService.ts
• 设计提取 Prompt
• 实现三层 JSON 解析容错
• 测试不同类型文献
• Prompt 调优

交付物：

• backend/src/common/rag/services/ClinicalExtractionService.ts
• 测试用例

预计工时：6-8 小时（含 Prompt 调优）

---

Day 4：向量检索服务

目标：实现基于 pgvector 的向量检索

任务清单：

• 创建 common/rag/services/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
• 优化查询（索引使用验证）

交付物：

• backend/src/common/rag/services/VectorSearchService.ts
• 性能测试报告

预计工时：6 小时

关键 SQL：

-- 向量检索（支持多知识库）
SELECT 
  c.id,
  c.content,
  d.filename,
  d."kbId",
  1 - (c.embedding <=> $1::vector) as score
FROM "ekb_schema"."EkbChunk" c
JOIN "ekb_schema"."EkbDocument" d ON c."documentId" = d.id
WHERE d."kbId" = ANY($2::text[])  -- 支持多知识库
ORDER BY c.embedding <=> $1::vector
LIMIT $3;

---

Day 5：混合检索 + RRF 融合 + 统一入口

目标：实现完整的混合检索和统一入口类

任务清单：

• 实现 RRF（Reciprocal Rank Fusion）算法
• 实现并发三路检索
• 创建 KnowledgeBaseEngine 统一入口类
• 导出通用 API
• 效果评估

交付物：

• backend/src/common/rag/KnowledgeBaseEngine.ts
• backend/src/common/rag/index.ts
• 效果评估报告

预计工时：6-8 小时

RRF 算法：

// common/rag/utils/rrfFusion.ts
export function rrfFusion(
  vectorResults: SearchResult[],
  keywordResults: SearchResult[],
  k: number = 60
): SearchResult[] {
  const scoreMap = new Map<string, number>();

  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);
  });

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

---

Day 6-7：PKB 模块接入（服务替换）

目标：PKB 模块作为首个业务模块接入通用知识库引擎

Day 6 任务：

• 修改 knowledgeBaseService.ts - 检索替换
• 移除 difyClient.retrieveKnowledge() 调用
• 使用 KnowledgeBaseEngine.search()
• 保持返回格式兼容

Day 7 任务：

• 修改 documentService.ts - 上传替换
• 移除 difyClient.uploadDocumentDirectly() 调用
• 使用 KnowledgeBaseEngine.ingestDocument()
• 移除 Dify 状态轮询逻辑

关键修改：

// modules/pkb/services/knowledgeBaseService.ts

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

// 修改后（通用知识库引擎）
import { KnowledgeBaseEngine } from '@/common/rag';

const kbEngine = new KnowledgeBaseEngine(prisma);
const results = await kbEngine.search({
  kbIds: [kbId],
  query,
  topK
});

// 格式转换（保持前端兼容）
return {
  query: { content: query },
  records: results.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 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

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
• 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

---

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：

• 标记 DifyClient.ts 为废弃（暂不删除，保留回滚能力）
• 更新通用能力层文档
• 更新 PKB 模块文档
• 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：

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

• 通用 API：KnowledgeBaseEngine 正常工作
• PKB 接入：创建知识库不依赖 Dify
• PKB 接入：上传文档本地处理 + 向量化
• PKB 接入：RAG 检索效果 ≥ Dify
• PKB 接入：全文阅读模式正常
• PKB 接入：批处理模式正常

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）
• 通用能力层代码独立，无业务耦合
• 文档更新完整

---

📝 附录

A. 相关文档

• 知识库引擎架构设计
• 文档处理引擎设计方案
• 通用能力层清单

B. 环境变量配置

# .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

// package.json
{
  "dependencies": {
    "p-queue": "^8.0.0"              // 并发控制
  }
}

---

文档维护：技术架构师
原文档：03-业务模块/PKB-个人知识库/04-开发计划/01-Dify替换为pgvector开发计划.md
最后更新：2026-01-20