Files

AI Clinical Dev Team 239c7ea85e feat: Day 21-22 - knowledge base frontend completed, fix CORS and file upload issues

- Complete knowledge base list and detail pages
- Complete document upload component
- Fix CORS config (add PUT/DELETE method support)
- Fix file upload issues (disabled state and beforeUpload return value)
- Add detailed debug logs (cleaned up)
- Create Day 21-22 completion summary document

2025-10-11 15:40:12 +08:00

12 KiB

Raw Blame History

AI科研助手 - 技术架构总览

最后更新：2025-10-10
方案版本：v2.0（最终优化版）
文档说明： 本文档是技术架构的快速参考指南，适合新人快速了解整体技术方案

📊 核心数据一览

指标	数值
开发周期	2.5个月（10周）
开发成本	¥49,300
技术难度	⭐⭐⭐（中等）
月度成本	¥16,520（1000用户）
团队规模	2人（1全栈 + 1前端）

🎯 关键需求澄清

知识库规模（重要变更）

项目	限制
知识库数量	3个/用户
文件数量	50个/知识库
文件格式	PDF、DOCX
单用户最大	150个文件

影响： 技术难度从⭐⭐⭐⭐⭐降至⭐⭐⭐，Dify完全满足需求！

🏗️ 技术架构（一图看懂）

┌─────────────────────────────────────────┐
│         前端（React + Vite）             │
│  - 项目管理（自研）                      │
│  - 智能体选择（自研）                    │
│  - 聊天界面（参考LobeChat）⭐            │
│  - 知识库管理（自研）                    │
└─────────────────────────────────────────┘
                    ↓ REST API
┌─────────────────────────────────────────┐
│      业务层 (Node.js/TypeScript)        │
│  - 对话逻辑（自研）⭐                    │
│  - 项目/课题管理                         │
│  - 智能体路由（配置化）⭐                │
│  - 简化运营后台⭐                        │
└─────────────────────────────────────────┘
          ↓                    ↓
┌──────────────────┐  ┌─────────────────┐
│   Dify           │  │  LLM API        │
│  （仅RAG）⭐      │  │  - DeepSeek-V3⭐│
│  - 知识库检索     │  │  - Qwen3 ⭐     │
│  - Qdrant(内置)⭐ │  │                 │
└──────────────────┘  └─────────────────┘

🔑 核心决策

1. 聊天功能实现方式

方案	选择	原因
前端UI	参考LobeChat组件 ✅	成熟稳定，节省9.5天
对话逻辑	自研（调用LLM API）✅	业务可控，核心只要4步
Dify对话功能	❌ 不用	不适合12个智能体管理
LobeChat整体	❌ 不用	缺少项目管理功能

2. RAG系统

功能	方案
知识库管理	Dify ✅
文档解析	Dify内置 ✅
向量数据库	Dify内置Qdrant ✅
检索	Dify API ✅
自建RAG	❌ 不需要

3. 运营后台

功能	状态	实现方式
用户管理	✅ 保留	简化版
数据统计	✅ 保留	基础仪表盘
模型管理	❌ 删除	`config/models.yaml`
智能体管理	❌ 删除	`config/agents.yaml`
Prompt配置	❌ 删除	`prompts/*.txt`

4. 大模型选择

优先级	模型	价格	用途
主力	DeepSeek-V3	¥1/百万tokens	90%的请求
备用	Qwen3-72B	¥4/百万tokens	需要更强中文理解时
可选	Gemini 2.0	¥2.7/百万tokens	国际用户

💰 成本明细

开发成本

项目	金额
人力（4人月）	¥48,000
服务器（开发环境）	¥1,250
LLM API（测试）	¥50
总计	¥49,300

月度运营成本（1000用户）

项目	金额
基础设施（服务器）	¥1,200
LLM API（DeepSeek-V3）	¥180
对象存储（知识库）	¥140
人力（1人运维）	¥15,000
总计	¥16,520/月

知识库存储详情

单用户：150个文件 × 5MB = 750MB
1000用户：750GB总存储

对象存储（阿里云OSS）：
- 存储费：¥90/月
- 流量费：¥50/月
- 总计：¥140/月

📅 开发计划（10周）

阶段	时间	主要任务
阶段1	1.5周	基础搭建 + 复用LobeChat组件
阶段2	3.5周	核心功能（12个智能体 + 对话）
阶段3	2周	高级功能（RAG + 文档生成）
阶段4	1周	简化运营后台
阶段5	2周	测试优化

阶段1：基础搭建（1.5周）

前端框架（React + Vite + TailwindCSS）
复用LobeChat聊天UI组件 ⭐
后端框架（Fastify + Prisma + PostgreSQL）
Dify部署（Docker）
DeepSeek-V3 + Qwen3接入

阶段2：核心功能（3.5周）

用户认证（JWT）
项目/课题CRUD
12个智能体配置（agents.yaml）
对话系统（上下文组装 + 流式输出）
知识库集成（Dify API）

阶段3：高级功能（2周）

多模型切换（DeepSeek/Qwen）
历史记录管理
固定到项目背景功能
文档生成（CRF、研究方案）

阶段4：简化运营后台（1周）

用户列表与管理
基础数据统计
对话记录查看

阶段5：测试优化（2周）

功能测试
性能优化
DeepSeek-V3效果调优

🛠️ 技术栈

前端

- React 18 + TypeScript
- Vite（构建工具）
- TailwindCSS（UI框架）
- Zustand（状态管理）
- LobeChat组件（聊天UI）⭐
- react-markdown（Markdown渲染）

后端

- Node.js + Fastify + TypeScript
- Prisma（ORM）
- PostgreSQL（数据库）
- Redis（缓存）

第三方服务

- Dify（RAG知识库）⭐
- DeepSeek-V3（主力LLM）⭐
- Qwen3（备用LLM）⭐
- 阿里云OSS（对象存储）

✅ 核心优势

1. 开发效率高

✅ 复用LobeChat聊天UI：节省9.5天
✅ 使用Dify RAG：节省40天
✅ 配置化智能体：节省5天
✅ 总节省：约54.5天

2. 成本可控

✅ 开发成本：¥49,300（vs 纯手写¥80k+）
✅ 月度LLM成本：¥180（vs GPT-4 ¥2,500）
✅ 知识库存储：¥140/月（适度规模）

3. 技术风险低

✅ Dify：50k+ Stars，生产级稳定
✅ LobeChat：40k+ Stars，成熟方案
✅ DeepSeek-V3：性价比极高

4. 架构灵活

✅ 业务逻辑完全可控
✅ 可随时替换RAG引擎
✅ 可随时增减LLM模型

📋 核心文件结构

项目根目录/
├── frontend/                    # 前端
│   ├── src/
│   │   ├── components/
│   │   │   ├── chat/           # 聊天组件（参考LobeChat）⭐
│   │   │   │   ├── ChatMessage.tsx
│   │   │   │   ├── ChatInput.tsx
│   │   │   │   └── StreamRenderer.tsx
│   │   │   ├── project/        # 项目管理
│   │   │   └── kb/             # 知识库管理
│   │   ├── pages/
│   │   └── services/
│   └── package.json
│
├── backend/                     # 后端
│   ├── src/
│   │   ├── services/
│   │   │   ├── chat.service.ts        # 对话服务 ⭐
│   │   │   ├── kb.service.ts          # 知识库服务
│   │   │   └── project.service.ts
│   │   ├── adapters/
│   │   │   └── llm-factory.ts         # LLM适配器 ⭐
│   │   ├── clients/
│   │   │   └── dify.ts                # Dify客户端
│   │   └── config/
│   │       └── agent-loader.ts        # 智能体配置加载 ⭐
│   ├── config/
│   │   ├── agents.yaml                # 智能体配置 ⭐
│   │   └── models.yaml                # 模型配置 ⭐
│   ├── prompts/                       # Prompt文件 ⭐
│   │   ├── picos_system.txt
│   │   ├── topic_evaluation_system.txt
│   │   └── ...（共12个智能体）
│   └── package.json
│
└── docker-compose.yml           # Dify部署

🚀 快速启动

1. 准备工作

申请API Key：

DeepSeek API Key (https://platform.deepseek.com)
阿里云DashScope Key (https://dashscope.aliyun.com)
阿里云OSS (https://oss.console.aliyun.com)

准备服务器：

云服务器 4核8G（开发环境）
PostgreSQL 数据库
Redis 缓存

2. 部署Dify

# 克隆Dify
git clone https://github.com/langgenius/dify.git
cd dify/docker

# 启动
docker-compose up -d

# 访问 http://localhost:3000
# 创建账号并获取API Key

3. 后端开发

cd backend
npm install

# 配置环境变量
cp .env.example .env
# 填入：
# - DATABASE_URL
# - REDIS_URL
# - DEEPSEEK_API_KEY
# - DASHSCOPE_API_KEY
# - DIFY_API_KEY

# 运行数据库迁移
npx prisma migrate dev

# 启动开发服务器
npm run dev

4. 前端开发

cd frontend
npm install

# 配置API地址
# .env.local
VITE_API_URL=http://localhost:3001

# 启动开发服务器
npm run dev

📚 相关文档

设计文档

产品需求文档(PRD) - 完整的产品需求
数据库设计文档 - 数据库表结构
API设计规范 - 所有API定义
代码规范 - 代码风格规范
核心业务规则 - 业务逻辑规则

开发计划

开发里程碑 - 详细的10周开发计划

参考文档

技术架构选型对比方案.md - 完整技术方案（在项目根目录）
对话系统实现方案对比.md - 对话功能详细说明（在项目根目录）
知识库需求调整说明.md - 知识库实现方案（在项目根目录）

🎯 关键决策清单

在开始开发前，请确认：

聊天实现方式： 参考LobeChat + 自研对话逻辑 ✅
RAG系统： 使用Dify（无需自建）✅
向量数据库： Dify内置Qdrant（无需关心）✅
运营后台： 简化版（配置文件管理）✅
主力LLM： DeepSeek-V3 ✅
备用LLM： Qwen3 ✅
知识库限制： 3个/用户，50个文件/库 ✅
开发周期： 2.5个月 ✅
团队规模： 2人 ✅

💡 常见问题 FAQ

Q1: 为什么不直接用Dify的对话功能？

A: Dify对话功能需要为每个智能体创建独立应用，12个智能体管理复杂，且缺少项目管理功能。我们只用Dify做RAG检索。

Q2: 对话功能自己实现会很复杂吗？

A: 不复杂！核心只要4步：接收消息 → 组装上下文 → 调用LLM → 返回流式结果。参考LobeChat的实现，约需4天。

Q3: 150个文件/用户，Dify够用吗？

A: 完全够用！Dify单个知识库支持上万个文档片段，我们的需求远低于上限。

Q4: 为什么选择DeepSeek-V3？

A: 性价比极高（¥1/百万tokens），性能接近GPT-4，年度可节省¥27,840。

Q5: 2.5个月真的能完成吗？

A: 可以！通过复用LobeChat组件、使用Dify RAG、配置化智能体，我们节省了约54天开发时间。

🎉 总结

这是一个经过充分优化、成本可控、技术可行的方案：

✅ 开发周期： 2.5个月
✅ 开发成本： ¥49,300
✅ 月度成本： ¥16,520（1000用户）
✅ 技术难度： ⭐⭐⭐（中等）
✅ 风险等级： 低（使用成熟组件和服务）

立即可以开始！ 🚀

文档版本：v2.0
最后更新：2025-10-10
文档位置： docs/00-项目概述/技术架构总览.md
作者： AI技术顾问

12 KiB Raw Blame History Unescape Escape