1772702706

work/移动杭研/AI 项目/IBS 智能体-v1.md

@@ -0,0 +1,53 @@
+```
+sequenceDiagram
+    participant User as 用户（前端）
+    participant Gateway as 鉴权（可合并到智能体）
+    participant Agent as Spring AI Agent（编排/工具执行）
+    participant LLM as 大语言模型
+    participant DomainAPI as 域名列表接口（Tool，可选，举例后期多智能体多工具协作）
+    participant DataAPI as 流量查询接口 query_traffic（Tool）
+    autonumber
+
+    User->>Gateway: 提问：“帮我查一下 a.com 昨天的流量”
+    Gateway->>Gateway: 校验 Token，解析 TenantID
+    Gateway->>Agent: 转发请求（带 TenantID 到 header 或 context）
+    Agent->>Agent: 拦截器读取 header -> 写入 ThreadLocal（TenantID）
+    Agent->>LLM: system prompt + 对话历史 + tools schema
+
+    alt 参数充足（有 domain + timeRange）
+        LLM-->>Agent: tool_call: query_traffic{domain=a.com,time=yesterday}
+        Agent->>DataAPI: HTTP 调用或者调用 tool，取决于是否采用远程 mcp（拦截器从 ThreadLocal 注入 TenantID）
+        DataAPI->>DataAPI: 横向鉴权（tenant 是否拥有 domain）
+        alt 鉴权失败
+            DataAPI-->>Agent: 业务错误：无权访问该域名数据
+            Agent->>LLM: tool_result（错误信息/错误码）
+            LLM-->>Agent: 生成答复（解释无权限 + 建议可查询域名/联系管理员）
+            Agent-->>User: 返回最终结果
+        else 鉴权成功
+            DataAPI-->>Agent: 200 JSON{traffic=500GB}
+            Agent->>LLM: tool_result（JSON 数据）
+            LLM-->>Agent: 生成答复：“a.com 昨天的流量为 500GB...”
+            Agent-->>User: 返回最终结果
+        end
+
+    else 参数不全（例如只问“查 3 月流量”，缺 domain）
+        LLM-->>Agent: 需要 domain，先澄清/或先发找可选域名
+
+        alt 仅澄清（没有域名查找工具）
+            LLM-->>Agent: 追问：“要查询哪个域名的 3 月流量？”
+            Agent-->>User: 返回追问
+            Note over User,Agent: 用户补充 domain 后进入下一轮对话，再走“参数充足”分支
+        else 有域名查找工具（显得比较智能）
+            LLM-->>Agent: tool_call: list_domains{}
+            Agent->>DomainAPI: 调用（注入 TenantID）
+            DomainAPI-->>Agent: JSON{domains:[a.com,b.com,...]}
+            Agent->>LLM: tool_result（JSON 域名列表）
+
+            LLM-->>Agent: 追问/确认：“你要查哪个域名？a.com 还是 b.com？”
+            Agent-->>User: 返回追问
+            Note over User,Agent: 用户选择后进入下一轮对话，再走“参数充足”分支
+        end
+    end
+
+    Agent->>Agent: finally 清理 ThreadLocal（线程复用问题）
+```

work/移动杭研/AI 项目/IBS 智能体-v2.md

@@ -0,0 +1,73 @@
+```
+sequenceDiagram
+    participant User as 用户（前端）
+    participant Gateway as 鉴权（可合并到智能体）
+    participant Agent as Spring AI Agent（编排/工具执行）
+    participant LLM as 大语言模型
+    participant DomainAPI as 域名列表接口（Tool，可选）
+    participant DataAPI as 流量数据接口（Tool：query/export）
+    participant OSS as 对象存储
+    autonumber
+
+    User->>Gateway: 提问：“帮我把 a.com 1月到3月的流量数据导出来”
+    Gateway->>Gateway: 校验 Token，解析 TenantID
+    Gateway->>Agent: 转发请求（带 TenantID 到 header 或 context）
+    Agent->>Agent: 拦截器读取 header -> 写入 ThreadLocal（TenantID）
+    Agent->>LLM: system prompt + 对话历史 + tools schema（query_traffic/export_traffic/list_domains）
+
+    alt 参数充足（domain + timeRange + intent=export）
+        LLM-->>Agent: tool_call: export_traffic{domain=a.com,from=2025-01-01,to=2025-03-31,format=xlsx}
+        Agent->>DataAPI: 调用 tool（拦截器从 ThreadLocal 注入 TenantID）
+        DataAPI->>DataAPI: 横向鉴权（tenant 是否拥有 domain）
+
+        alt 鉴权失败
+            DataAPI-->>Agent: 业务错误：无权访问该域名数据
+            Agent->>LLM: tool_result（错误信息/错误码）
+            LLM-->>Agent: 生成答复（无权限 + 建议/下一步）
+            Agent-->>User: 返回最终结果
+
+            alt 同步导出（小数据）
+                DataAPI->>DataAPI: 查询明细/聚合数据
+                DataAPI->>DataAPI: EasyExcel 生成临时 .xlsx
+                DataAPI->>OSS: 上传文件流
+                OSS-->>DataAPI: 返回预签名下载链接（过期时间）
+                DataAPI-->>Agent: 200 JSON{url,expireAt,fileName}
+                Agent->>LLM: tool_result（JSON：url/expireAt...）
+                LLM-->>Agent: 生成答复（Markdown 链接 + 过期提示）
+                Agent-->>User: 返回最终结果
+
+                DataAPI-->>Agent: 202 JSON{jobId,status=PROCESSING}
+                Agent->>LLM: tool_result（jobId + 引导用户等待/可查询进度）
+                LLM-->>Agent: 生成答复：“已开始导出，任务号xxx…”
+                Agent-->>User: 返回任务已创建
+
+                Note over User, Agent: 用户稍后追问“导出好了没？”或前端轮询（模型能力弱我感觉最好别轮训，可以在对话框提示询问）
+                User->>Gateway: “查询导出进度 jobId=xxx”
+                Gateway->>Agent: 转发（TenantID）
+                Agent->>Agent: 写 ThreadLocal（TenantID）
+                Agent->>LLM: tools schema（get_export_status / get_export_url）
+                LLM-->>Agent: tool_call: get_export_status{jobId=xxx}
+                Agent->>DataAPI: 注入 TenantID 调用
+                DataAPI-->>Agent: 200 JSON{status=FINISHED,url,expireAt}
+                Agent->>LLM: tool_result（JSON）
+                LLM-->>Agent: 生成答复（返回下载链接）
+                Agent-->>User: 返回最终结果
+            end
+        end
+
+        LLM-->>Agent: 需要补齐参数（domain/timeRange/导出格式）
+        alt 仅澄清（无域名工具）
+            LLM-->>Agent: 追问：“要导出哪个域名？时间范围是？”
+            Agent-->>User: 返回追问
+        else 有域名查找工具
+            LLM-->>Agent: tool_call: list_domains{}
+            Agent->>DomainAPI: 调用（注入 TenantID）
+            DomainAPI-->>Agent: JSON{domains:[a.com,b.com,...]}
+            Agent->>LLM: tool_result（域名列表）
+            LLM-->>Agent: 追问/确认（domain + timeRange）
+            Agent-->>User: 返回追问
+        end
+    end
+
+    Agent->>Agent: finally 清理 ThreadLocal（线程复用问题）
+```

work/移动杭研/AI 项目/IBS 智能体-v3.md

@@ -0,0 +1,60 @@
+```
+flowchart TB
+ subgraph Layer1["1. 用户与接入层 (Access Layer)"]
+        UI["Web 中台控制台\n(对话界面 / 插件管理)"]
+        ChatBot["企微/办公 IM 机器人"]
+        Card["安全审批卡片\n(Human-in-the-loop)"]
+  end
+ subgraph Tools["内置核心能力"]
+        RAG["RAG 问答引擎"]
+        CodeInterpreter["数据分析引擎\n(分析CDN优质客户)"]
+  end
+ subgraph Layer2["2. 智能体编排中台 (基于 Spring Boot & Spring AI)"]
+        Router["意图路由引擎 (Semantic Router)"]
+        Planner["Agent 调度与规划 (ReAct)"]
+        Tools
+  end
+ subgraph Layer3["3. 动态插件生态引擎 (Plugin Market) ⭐️核心创新"]
+        RegistryDB[("插件注册数据库\n(存储接口URL、参数定义)")]
+        SchemaConverter["动态 Schema 转换器\n(DB配置 -> LLM Function Calling)"]
+        Interceptor["高危操作拦截器\n(识别写操作、触发审批)"]
+        HttpExecutor["通用 HTTP 执行器\n(动态发起 REST 请求)"]
+        MCPClient["MCP 协议网关\n(未来对接标准 MCP Server)"]
+  end
+ subgraph Layer4["4. 基础设施与外部业务线 (Infrastructure & Business)"]
+        LLM["大语言模型 (LLM)"]
+        RAGFlow["现有 RAGFlow 知识库"]
+        IBS["IBS 系统\n(流量查验/工单)"]
+        CDN["CDN 下发系统\n(一键配置)"]
+        DNS["DNS 管理系统\n(动态查询)"]
+  end
+    UI --> Router
+    ChatBot --> Router
+    Router -- 知识库查询 --> RAG
+    Router -- 业务指令/查询 --> Planner
+    RAG <-- 检索 --> RAGFlow
+    Planner <-- "1. 交互与思考" --> LLM
+    RegistryDB -. "2. 实时加载接口配置" .-> SchemaConverter
+    SchemaConverter -- "3. 转换并注入可用工具" --> Planner
+    Planner -- "4. 生成调用指令" --> Interceptor
+    Interceptor -. "5a. 识别为 CDN 下发\n要求人工确认" .-> Card
+    Card -. 用户点击“确认” .-> Interceptor
+    Interceptor -- "5b. 鉴权通过放行" --> HttpExecutor
+    Interceptor -- 放行至新架构 --> MCPClient
+    HttpExecutor -- "6. 拼装动态 HTTP 请求" --> IBS
+    HttpExecutor -- HTTP 请求 --> CDN & DNS
+    MCPClient -. 未来演进: MCP通信协议 .-> DNS
+
+     Card:::highlight
+     IBS:::external
+     CDN:::external
+     DNS:::external
+    classDef core fill:#e1f5fe,stroke:#01579b,stroke-width:2px
+    classDef plugin fill:#fff3e0,stroke:#e65100,stroke-width:2px
+    classDef external fill:#f1f8e9,stroke:#33681e,stroke-width:1px
+    classDef highlight fill:#ffebee,stroke:#c62828,stroke-width:2px
+    style Layer1 fill:#fafafa,stroke:#bdbdbd,stroke-width:1px,stroke-dasharray: 5 5
+    style Layer2 fill:#fafafa,stroke:#bdbdbd,stroke-width:1px,stroke-dasharray: 5 5
+    style Layer3 fill:#fafafa,stroke:#ffb74d,stroke-width:2px,stroke-dasharray: 5 5
+    style Layer4 fill:#fafafa,stroke:#bdbdbd,stroke-width:1px,stroke-dasharray: 5 5
+```

work/移动杭研/AI 项目/IBS 智能体-v4.md

@@ -0,0 +1,44 @@
+```
+flowchart TB
+ subgraph Layer1["1. 用户侧"]
+        UI["对话框"]
+  end
+ subgraph Layer2["2. 智能体编排层"]
+        Router@{ label: "意图识别与分发<br>（<span style=\"background-color:\">语义路由，小模型更好，选择题</span>）" }
+        Planner["Agent 规划与调度 (ReAct)"]
+        LLM["大模型 (LLM)"]
+  end
+ subgraph Layer3["3. 工具检索引擎 (Tool-RAG) ⭐️"]
+        Embedding["Embedding 模型<br>(文本转向量)"]
+        VectorDB[("向量数据库<br>(Milvus / pgvector)<br>存储插件语义")]
+        RelationalDB[("关系型数据库<br>(MySQL)<br>存储接口物理配置")]
+        SchemaBuilder["Schema 组装器<br>(仅组装 Top-K 工具)"]
+  end
+ subgraph Layer4["4. 拦截与执行层"]
+        Interceptor["高危操作拦截器<br>(审批效果，这个需要和前端沟通方案)"]
+        HttpExecutor["通用 HTTP 执行器<br>(动态请求第三方组)"]
+        IBS["IBS / CDN / DNS 系统"]
+  end
+    UI -- "1. 输入: 查一下流量" --> Router
+    Router -- "2. 业务请求" --> Embedding
+    Embedding -- "3. 提取语义向量" --> VectorDB
+    VectorDB -- "4. 返回相似度 Top-3 的插件 ID" --> SchemaBuilder
+    RelationalDB -. "5. 根据 ID 拉取详细配置URL等" .-> SchemaBuilder
+    SchemaBuilder -- "6. 动态注入这 3 个工具说明" --> Planner
+    Planner <-- "7. 仅带 3 个工具进行交互<br>提取并完善参数" --> LLM
+    Planner -- "8. 决定调用某工具+参数" --> Interceptor
+    Interceptor -- "9. 放行/审批" --> HttpExecutor
+    HttpExecutor -- "10. 动态发起真实请求" --> IBS
+    Register["管理员注册新插件"] -. "A. 存入运行配置" .-> RelationalDB
+    Register -. "B. 向量化插件描述" .-> VectorDB
+
+    Router@{ shape: rect}
+     Embedding:::vector
+     VectorDB:::vector
+     RelationalDB:::plugin
+     SchemaBuilder:::vector
+    classDef core fill:#e1f5fe,stroke:#01579b,stroke-width:2px
+    classDef plugin fill:#fff3e0,stroke:#e65100,stroke-width:2px
+    classDef vector fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
+    classDef highlight fill:#ffebee,stroke:#c62828,stroke-width:2px
+```

work/移动杭研/AI 项目/IBS 智能体-v5.md

@@ -0,0 +1,60 @@
+```
+---
+config:
+  layout: elk
+---
+flowchart TB
+ subgraph Layer1["1. 用户侧"]
+        UI["对话框"]
+  end
+ subgraph Layer2["2. 智能体编排层"]
+        Router["意图识别与分发<br>（语义路由，小模型判断最好，要快）"]
+        Planner["Agent 规划与调度 (ReAct)"]
+        LLM["大模型 (LLM)"]
+        RAGFlow["现有 RAGFlow<br>(知识库问答)"]
+  end
+ subgraph Layer3["3. 工具检索引擎 (Tool-RAG) ⭐️核心枢纽"]
+        Embedding["Embedding 模型<br>(文本转向量)"]
+        VectorDB[("向量数据库<br>存储插件语义<br>(按租户隔离)")]
+        RelationalDB@{ label: "关系型数据库<br>1. 接口物理配置<br style=\"--tw-scale-x:\">2. 角色权限表" }
+        SchemaBuilder["Schema 组装器<br>(仅组装 Top-K 工具)"]
+  end
+ subgraph Layer4["4. 拦截与执行层"]
+        Interceptor["高危操作拦截<br>(前端卡片审批流)"]
+        HttpExecutor["通用 HTTP 执行器<br>"]
+        MCPClient["MCP 协议网关<br>(标准化接入)"]
+        IBS["IBS / CDN / DNS 系统"]
+        MCPServer["MCP Server<br>"]
+  end
+    UI -- "1. 用户输入" --> Router
+    Router -- "2a. 查阅文档" --> RAGFlow
+    Router -- "2b. 业务请求/查数据" --> Embedding
+    Embedding -- "3. 提取语义向量" --> VectorDB
+    VectorDB -- "4. 返回相似度 Top-3 的插件 ID" --> SchemaBuilder
+    RelationalDB -. "5. 根据 ID 拉取详细配置URL等" .-> SchemaBuilder
+    SchemaBuilder -- "6. 动态注入这 3 个工具说明" --> Planner
+    Planner <-- "7. 带 3 个工具进行交互<br>提取并完善参数" --> LLM
+    Planner -- "8. 决定调用某工具+参数" --> Interceptor
+    Interceptor -- "9a. 放行/审批后走普通接口" --> HttpExecutor
+    HttpExecutor -- "10a. 动态发起 REST 请求" --> IBS
+    Interceptor -. "9b. 路由至原生 MCP" .-> MCPClient
+    MCPClient -. "10b. MCP 协议通信" .-> MCPServer
+    Register["admin 录入新插件"] -. "A. 存入运行配置" .-> RelationalDB
+    Register -. "B. 向量化插件描述" .-> VectorDB
+
+    Router@{ shape: rect}
+    RelationalDB@{ shape: cylinder}
+    Register@{ shape: rect}
+     RAGFlow:::highlight
+     Embedding:::vector
+     VectorDB:::vector
+     RelationalDB:::plugin
+     SchemaBuilder:::vector
+     MCPClient:::highlight
+     MCPServer:::external
+    classDef core fill:#e1f5fe,stroke:#01579b,stroke-width:2px
+    classDef plugin fill:#fff3e0,stroke:#e65100,stroke-width:2px
+    classDef vector fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
+    classDef highlight fill:#fff9c4,stroke:#fbc02d,stroke-width:2px
+    classDef external fill:#f3e5f5,stroke:#8e24aa,stroke-width:1px,stroke-dasharray: 5 5
+```

work/移动杭研/AI 项目/IBS 智能体具体落实技术方案.md

@@ -0,0 +1,102 @@
+# 总体目标
+
+1、支持 IBS 动态数据查询（工单进展、域名配置、运营数据、订购数据等）；  
+2、智能分析 CDN 优质客户；  
+3、团队纵向扩展：支持融合 CDN 配置一键下发下发、DNS动态数据查询等
+
+# 公司现状
+
+基于 vLLM 推理引擎部署 DeepSeek-R1-Distill-Qwen-32B
+
+> 32K tokens（32768 约 2.4 万字中文）
+> 使用 vLLM 框架，注意需开启工具调用相关配置。
+
+RAGFlow v0.18.0 2025-04-23（知识库）
+
+> 最新 v0.24.0
+> 完全支持 MCP v0.20.0
+> 依赖 MySQL、ES、Redis、MinIO
+
+# 概念
+
+bge 向量模型。
+
+Function Calling / Tool Call / Tool Calling
+
+[LangGraph](https://docs.langchain.com/oss/python/langgraph/overview) 个人理解为拖拽
+
+**MCP** 服务端 + **ReAct Agent** 智能体 + **RAGFlow** 知识库
+
+**MCP**（Model Context Protocol，模型上下文协议）是一种用于将 AI 应用连接到外部系统的开源标准。
+
+> 通俗点理解
+> 列出能力：服务器告诉客户端它提供哪些 tools/resources/prompts，以及每个 tool 的参数结构
+> 调用工具：客户端发起 call tool，带上符合 schema 的参数
+> 返回结果：服务器返回结构化结果（文本/数据/错误），客户端再交给模型继续推理
+
+**ReAct**: Synergizing Reasoning and Acting in Language Models
+
+> Question: 用户问题
+>
+> Thought: 我需要查一下数据
+> Action: 调用查询工具(search API)
+> Observation: 返回查询结果
+>
+> Thought: 根据结果我可以推理答案
+> Action: 再调用一个工具 / 或直接回答
+>
+> Final Answer: 最终结果
+
+**RAGFlow**（开源的 RAG 工程化平台 / 系统）Python TypeScript
+
+本质是 RAG（Retrieval-Augmented Generation）检索增强生成
+
+> 用户问题
+> ↓
+> 去知识库检索相关内容
+> ↓
+> 把检索结果喂给大模型
+> ↓
+> 生成答案
+
+**DB-GPT** 开源的“AI 原生数据应用开发框架”，用大模型来操作数据库和数据系统。
+
+# 问题
+
+鉴权问题：哪个平台能调用哪些工具，哪个平台的哪些用户能调用哪些工具
+
+AI 平台颁发系统级别 Token 限制你能用的工具。
+
+也就是比如你在我们平台注册了你的 tool，然后调用我们 AI 接口，需要 MCP server Token 和 用户 Token。
+
+如果只用户 Token，那么是不是就需要一个  令牌置换 方案。
+
+你有什么工具？
+
+我想知道企业A的域名列表。
+
+我想查询 企业A a.com 近 5 天的峰值。
+
+# 备注
+
+RAGFlow 版本升级至少 v0.20.0。（注意一下是否可以开启自身当作 MCP 服务的功能。）
+
+dify 的整体使用流程流畅很多。
+
+后期 Tool 多了，我们是否提供 MCP 注册中心。
+
+Tool 代码的封装。
+
+dify API 的研究。
+
+DeepSeek-R1-Distill-Qwen-32B 工具调用。
+
+![](../../../attachment/images-paste/image-20260304153545122.png)
+
+发指令 --》ibs-ai --> RAGflow --> 智能决策         a 工具          b  知识库
+
+需要 MCP server Token 和 用户 Token。
+
+后期 Tool 多了，我们是否提供 MCP 注册中心。
+
+DeepSeek-R1-Distill-Qwen-32B 工具调用。

work/移动杭研/AI 项目/MCP Prompt.md

@@ -0,0 +1,24 @@
+给我增加两个我们项目的 demo 工具。为我的查询峰值智能体做测试准备
+
+1. 根据企业 ID 获取 企业的所属域名。（入参是企业 ID，响应 10 个域名， a.com, b.com… 固定十个。）但现在企业 ID 只有 企业A ，其他 企业 ID 返回无域名。
+2. 根据企业 ID 和 域名 获取域名近 5 天的峰值带宽。（峰值带宽可以随机 mock）如果用户无域名 ID 输入返回需要输入域名。
+
+现在我有一个 ibs-mcp-server ：
+
+queryDomainPeakBandwidth
+
+根据企业 ID 和域名查询该域名近 5 天的峰值带宽数据（单位：Mbps）
+
+queryEnterpriseDomains
+
+根据企业 ID 查询该企业所属的域名列表
+
+queryWeather
+
+查询指定城市在指定日期的天气预报，返回天气状况、温度、湿度和风力信息
+
+你能给我生成一个可以导入 ragflow 的 json  agent 么？让我可以直接使用。
+
+智能体的工作就是可以查训用户的域名，如果用户没有输入域名可以用 queryEnterpriseDomains 给用户提示。
+
+生成到根目录。注意学习相关语法。

work/移动杭研/AI 项目/ibs-ai 项目 AI 对话流程.md

@@ -0,0 +1,360 @@
+## 1. 对话相关模块与入口  
+
+### 1.1 HTTP 接口入口（后端）  
+
+聊天（SSE 流式）：`POST /session/chat`  
+查询会话列表：`POST /session/page/list`  
+查询某会话的历史消息列表：`POST /session/message/list`  
+消息反馈（点赞/点踩/评论）：`POST /session/message_feedback`  
+
+### 1.2 鉴权与用户上下文  
+
+对 `/session/**` 路径做拦截：  
+
+Filter：`web/src/main/java/com/cmcc/ai/web/filter/UserAuthFilter.java:31-55`  
+
+---  
+
+## 2. 前端怎么传参（对话接口）  
+
+### 2.1 发送消息：`POST /session/chat`  
+
+```json  
+{
+    "content": "用户输入的文本",
+    "sessionId": 123,
+    "parentMessageId": 456,
+    "contentType": "text",
+    "role": "user"
+}
+```  
+
+#### 实际必填/有效字段（按当前后端实现）  
+
+- **必填**：`content`  
+- **可选**：`sessionId`  
+  - `sessionId == null`：后端会创建一个新会话  
+  - `sessionId != null`：后端按该会话进行多轮  
+
+### 2.2 前端接收方式：SSE  
+
+`core/src/main/java/com/cmcc/ai/core/vo/MessageVO.java:20-72`  
+
+```json  
+{
+    "sessionId": 1,
+    "messageId": 10002,
+    "parentMessageId": 10001,
+    "role": "assistant",
+    "contentType": "text",
+    "msgStatus": "sending",
+    "content": "本次增量 token",
+    "reasoningContent": "（可选）模型推理内容"
+}
+```  
+
+当流结束时，后端会发送一条 `msgStatus=finished` 的消息（通常 `content` 为空或为最后一段），并结束 SSE 连接。  
+
+---  
+
+## 3. 后端对话编排流程（从 Controller 到落库）  
+
+核心实现类：  
+
+- `core/src/main/java/com/cmcc/ai/core/service/impl/SessionServiceImpl.java`  
+
+### 3.1 会话创建 / parentMessageId 选择  
+
+入口：`generateChatResponses(TextMessageParam param, Long userId)`  
+
+- `SessionServiceImpl.java:446-464`  
+
+逻辑：  
+
+1. **首次对话**（`param.sessionId == null`）  
+   - `parentMessageId` 被强制设为 `0L`（常量 `DEFAULT_PARENT_MSG_ID`）  
+   - 创建 `session_info` 记录（summary 取首条消息截断）  
+   - 代码：`SessionServiceImpl.java:449-453`  
+  
+2. **非首次对话**（`param.sessionId != null`）  
+   - 查询该 session 下 `message_info` 的最大 id 作为 `parentMessageId`  
+   - 代码：`SessionServiceImpl.java:454-456`  
+   - Mapper：`MessageInfoMapper.xml:143-145`（`select max(id)`）  
+
+> 这意味着当前实现的父子关系是“链式”的：每次提问默认挂在上一条消息后面，而不是维护一棵分支对话树。  
+
+### 3.2 历史消息拼接（多轮上下文）  
+
+历史消息查询：  
+
+- `queryHistoryMsg(sessionId)`：`SessionServiceImpl.java:596-607`  
+
+构造规则：  
+
+1. 第一条固定是 **system prompt**  
+   - `generateFirstMsg()`：`SessionServiceImpl.java:614-617`  
+   - system prompt 来源：系统配置 `OLLAMA_CHART_SYSTEM_MSG`  
+   - 若配置不存在则使用默认常量 `SYSTEM_MSG`  
+  
+2. 从 DB 查出该 session 的所有历史 `message_content`（按 `mc.id asc`）  
+   - SQL：`MessageContentMapper.xml:151-157`  
+   - 每条记录映射为 `ChatMessage{role, content}`  
+  
+3. 把“本次用户提问”也 append 到 historyMsg（作为最后一条 user 消息）  
+   - `aiChatDialog()`：`SessionServiceImpl.java:632-634`  
+
+最终 historyMsg 会被完整送给大模型（多轮上下文就是这么实现的）。  
+
+### 3.3 用户消息落库  
+
+在真正请求大模型之前，用户消息会先落库：  
+
+- 插入 `message_info`（用户侧）：`insertMessage(…)`  
+  - `SessionServiceImpl.aiChatDialog():628-630`  
+- 插入 `message_content`（用户文本）：`insertMessageContent(…)`  
+  - `SessionServiceImpl.aiChatDialog():630-631`  
+
+对应表结构见 `web/src/main/resources/init.sql`：  
+
+- `session_info`  
+- `message_info`  
+- `message_content`  
+
+---  
+
+## 4. 调用的哪个 AI 接口？请求长什么样？  
+
+### 4.1 AI 接口地址与模型配置来自哪里  
+
+后端不在配置文件里写死模型与地址，而是从 DB 的 `system_config` 表读取：  
+
+- 读取 service：`SystemConfigServiceImpl.java:31-50`  
+- key 枚举：`common/src/main/java/com/cmcc/ai/enums/SysConfigKeyEnum.java:14-31`  
+
+对话相关的 key：  
+
+- `OLLAMA_MODEL`：模型名  
+- `OLLAMA_CHART_URL`：多轮对话接口地址  
+- `OLLAMA_CHART_SYSTEM_MSG`：system prompt  
+- `API_KEY`：调用上游 AI 服务时的 Authorization（代码里默认按 Bearer 使用，具体值建议视为敏感信息）  
+
+在示例初始化 SQL 中（`init.sql:70-75`），`OLLAMA_CHART_URL` 指向一个 **OpenAI 兼容风格** 的路径：`/v1/chat/completions`。  
+
+> 虽然命名叫 `OLLAMA_*`，但实际对接的上游接口形态更接近 OpenAI/DeepSeek 的 Chat Completions 流式接口。  
+
+### 4.2 后端发给上游 AI 的请求体  
+
+组装请求的代码：  
+
+- `aiChatDialog()`：`SessionServiceImpl.java:648-653`  
+
+请求体类型：`OllamaMutiplePrompt`  
+
+- `common/src/main/java/com/cmcc/ai/model/OllamaMutiplePrompt.java:20-36`  
+
+结构：  
+
+```json  
+{
+    "model": "<来自 system_config.OLLAMA_MODEL>",
+    "messages": [
+        {
+            "role": "system",
+            "content": "..."
+        },
+        {
+            "role": "user",
+            "content": "..."
+        },
+        {
+            "role": "assistant",
+            "content": "..."
+        },
+        {
+            "role": "user",
+            "content": "本次问题"
+        }
+    ],
+    "stream": true
+}
+```  
+
+HTTP 请求（后端 → 上游 AI）：  
+
+- 方法：POST  
+- URL：`system_config.OLLAMA_CHART_URL`  
+- Header：`Authorization: <system_config.API_KEY>`  
+  - 代码：`SessionServiceImpl.handleMessageWithWebClient():156-175`  
+- Accept：`text/event-stream`  
+
+---  
+
+## 5. AI 接口返回的什么？后端如何解析？  
+
+上游 AI 返回被按“流式”逐行消费：  
+
+- `bodyToFlux(String.class)`：`SessionServiceImpl.handleMessageWithWebClient():170-178`  
+
+后端假定每一行 `line`：  
+
+- 要么是 `"[DONE]"`  
+- 要么是一个 JSON chunk，可反序列化为 `ChatCompletionChunk`  
+
+解析模型（按 DeepSeek/OpenAI streaming chunk 风格）：  
+
+- `common/src/main/java/com/cmcc/ai/model/ChatCompletionChunk.java`  
+  - 主要取值：`choices[0].delta.content`  
+  - 推理字段：`choices[0].delta.reasoning_content`  
+
+对应解析与映射：  
+
+- `generateDeepSeekChatMessage()`：`SessionServiceImpl.java:272-311`  
+
+映射结果是内部统一的 `MessageVO`：  
+
+- `messageVO.content = delta.content`  
+- `messageVO.reasoningContent = delta.reasoningContent`  
+- `messageVO.msgStatus`：  
+  - chunk 中包含 `finish_reason / stop_reason` 或 line 为 `[DONE]` 时，置为 `finished`  
+  - 否则为 `sending`  
+
+> 文件里还存在 `generateChatMessage()` 用于解析 `OllamaStreamResponse`（`SessionServiceImpl.java:321-345`），但当前 `handleMessageWithWebClient()` 实际调用的是 `generateDeepSeekChatMessage()`（`SessionServiceImpl.java:184`）。  
+
+---  
+
+## 6. 后端给前端返回的什么？  
+
+### 6.1 SSE 推送的内容  
+
+后端对每个上游 chunk 都会向前端推一个 SSE event：  
+
+- `ServerSentEvent.builder(JSON.toJSONString(message)).build()`  
+- 代码：`SessionServiceImpl.handleMessageWithWebClient():178-189`  
+
+也就是：  
+
+- SSE 的 `data` = `MessageVO` 的 JSON 字符串  
+
+前端收到后：  
+
+- 通过 `messageId` 把同一条 assistant 消息的 token 拼起来  
+- 通过 `msgStatus` 判断是否完成  
+- 通过 `sessionId` 确定归属会话  
+
+### 6.2 对话完成后的落库与状态更新  
+
+后端在发起上游请求时，会先创建一条“assistant message_info（sending）”：  
+
+- `assistantMessage = insertMessage(…, MsgStatusEnum.SENDING)`  
+- 代码：`SessionServiceImpl.handleMessageWithWebClient():162-168`  
+
+流式接收过程中：  
+
+- `contentBuilder` 累积每个 chunk 的 `delta.content`  
+  - `generateDeepSeekChatMessage():303-306`  
+
+流结束后（`doFinally`）：  
+
+- 正常完成：  
+  - `message_content` 插入完整文本（role=assistant）  
+  - `message_info.msg_status` 更新为 `finished`  
+  - 并触发异步评价（见下一节）  
+  - 代码：`SessionServiceImpl.handleMessageWithWebClient():191-195` + `handlerResponseMessage():208-218`  
+- 异常 / 取消：  
+  - 仍会尽量保存已累积内容  
+  - 并将 `message_info.msg_status` 更新为 `error/cancelled`  
+  - 代码：`handlerResponseMessage():219-235`  
+
+### 6.3 非流式查询：历史消息列表接口返回  
+
+- `POST /session/message/list`  
+- 返回：`ApiResponse<List<MessageListVO>>`  
+  - `MessageListVO`：`core/src/main/java/com/cmcc/ai/core/vo/MessageListVO.java`  
+  - 内含 `contents: List<MessageContentVO>`  
+
+这用于“进入会话后加载历史对话”的场景。  
+
+---  
+
+## 7. 多轮对话是如何实现的？（关键点总结）  
+
+本项目的多轮对话实现方式可以概括为：  
+
+1. 每次用户发消息时：  
+   - 先把用户消息写入 DB（`message_info + message_content`）  
+2. 组装“system + 历史 messages + 本次 user message”形成完整 messages 数组  
+   - 历史消息来自 DB `message_content`，按 `mc.id asc`  
+3. 把完整 messages 一次性发给上游 `/v1/chat/completions`（stream=true）  
+4. 上游返回流式 chunk：  
+   - 后端逐 chunk 转成 `MessageVO`，通过 SSE 推给前端  
+5. 流结束后：  
+   - 把 assistant 的完整文本一次性落库  
+
+即：**上下文存储在 DB，每次请求时“全量带上历史”**。  
+
+---  
+
+## 8. 评价（可选链路，和对话强相关）  
+
+对话完成后会触发一次“问答质量评估”的异步调用：  
+
+- 触发点：`handlerResponseMessage()` 的 `ON_COMPLETE` 分支  
+  - `SessionServiceImpl.java:209-217`  
+
+调用实现：`EvaluationServiceImpl.evaluationResult()`  
+
+- `core/src/main/java/com/cmcc/ai/core/service/impl/EvaluationServiceImpl.java:115-160`  
+
+它会：  
+
+1. 从 `system_config` 读取：  
+   - `EVALUATE_TASK_URL`  
+   - `CALLBACK_URL`  
+2. 读取“本次问/答”的 message_content 内容  
+3. POST 到评估系统（请求包含 query/response/callbackUrl）  
+4. 评估系统回调：`POST /evaluation/callback`  
+   - Controller：`web/src/main/java/com/cmcc/ai/web/rest/EvaluationCallController.java:36-46`  
+
+这条链路不影响前端展示主流程，但会写入 `evaluation_result` 表并支撑后续统计/导出。  
+
+---  
+
+## 9. 给前端的最小对接清单（建议）  
+
+### 9.1 发起对话  
+
+- `POST /session/chat`  
+- body：  
+
+```json  
+{ "content": "...", "sessionId": 123 }  
+```  
+
+### 9.2 处理 SSE  
+
+- 每个 event 的 `data` 是 JSON 字符串（`MessageVO`）  
+- 用 `content` 做增量拼接  
+- 用 `msgStatus` 判断完成  
+- **首次对话**从第一条 event 里取 `sessionId`，用于后续多轮  
+
+### 9.3 加载历史  
+
+- `POST /session/message/list`  
+- body：  
+
+```json  
+{ "sessionId": 123 }  
+```  
+
+（后端只读取 `sessionId` 字段：`SessionController.java:78-83`）  
+
+---  
+
+## 10. 关键代码定位索引  
+
+- 对话接口：`web/…/SessionController.java:98-105`  
+- 对话编排：`core/…/SessionServiceImpl.java:446-654`  
+- 上游流式请求与解析：`core/…/SessionServiceImpl.java:149-196` + `272-311`  
+- 历史消息查询 SQL：`core/…/MessageContentMapper.xml:151-157`  
+- 系统配置 key：`common/…/SysConfigKeyEnum.java:14-31`  
+- 初始化表结构与默认配置：`web/src/main/resources/init.sql`

work/移动杭研/AI 项目/公司智能体.md

@@ -0,0 +1,26 @@
+请为我的公司设计一个智能体方案（公司内部 AI 能力中台 / AI 插件市场）。
+
+目前公司的主要业务是：用户可以通过我们的平台引入域名，域名在平台产生计费计量后，可以查询相关的流量情况或带宽情况。
+
+我们现在已经有了一个 RAGFlow 流程，但也仅限于实现基础的知识库智能问答。
+
+我们现在的目标是：
+
+1. 支持IBS动态数据查询(工单进展、域名配置、运营数据、订购数据等)；
+2. 智能分析CDN优质客户；
+3. 团队纵向扩展：支持融合CDN配置一键下发下发、DNS动态数据查询
+4. 实现通过对话查询流量或峰值带宽的效果。
+5. 构建一个总体的、标准化的智能体框架。
+6. 我们的后端代码以 Java 为主，希望这个框架是可对接的，后续能方便其他业务组（比如做 DNS 指令下发的团队）接入。
+7. 实现一键 AI 智能下发。其他小组只需按照我们提供的规范提供接口，就可以接入到我们的智能体中，通过对话框完成业务操作。
+
+请帮我设计一个完整汇报可行性方案，并给出技术选型建议：
+
+1. 语言环境：基于 Java 语言。
+2. 技术选型：是否建议使用 Spring Boot 或 Spring AI？
+3. 框架评估：目前比较火的 AI 框架，比如 MCP（Model Context Protocol），是否适合我们的业务场景？
+4. 架构设计：如何设计才能保证后期智能体的高可扩展性？比如其他组提供一个接口规范，我们就能为其提供智能服务。
+
+比如先说一个简单的流程：我要查流量，那肯定是智能体去编排，决定调用某一个智能体的 Agent 工具，然后发起流量查询等等。这是一个简单的流程。
+
+比如现在我整个服务已经跑起来了，此时隔壁的项目组给了我一个配置下发的接口，并告诉了我这个接口的参数以及请求地址。我能不能通过“可配置化”的形式，直接在我的页面上把它的地址、需要的参数等信息输入进去，这样我的智能体就拥有了这个能力，而不需要停服务或者进行二次开发。

work/移动杭研/开发记录/7.19.0/开发笔记.md

@@ -0,0 +1,11 @@
+# 新业务平面引入与系统集成实施
+
+## 需求评审
+
+## 需求备注
+
+## 需求开发
+
+# 用例评审
+
+# 冒烟自测