核心引擎从“流水线”到“决策脑”LangChain (工具库)负责底层对接。它帮你完成 PDF 文档的加载、文字切片、以及将文字转化成数字向量的工作。LangGraph (指挥官)负责高层逻辑。它不再让 AI 走死板的直线而是允许 AI 根据实际情况循环和回头例如发现搜到的资料没用就换个词重新搜。2. 知识储备RAG 检索增强生成向量数据库 (Chroma/Milvus)这是 AI 的“私人图书馆”。你把业务手册存进去它不仅存文字还存文字的“含义数字向量”。检索逻辑当用户提问时系统不是在搜“关键词”而是在搜“意思”。即使问法不同只要意思相近AI 就能从库里翻出那几页文档。3. 记忆宫殿基于状态的存档机制Checkpoint (检查点)系统每运行一步都会“存档”。这保证了 AI 哪怕由于网络波动中断重启后也能接上话。线程隔离 (Thread ID)通过唯一标识区分用户确保张三的订单信息绝不会出现在李四的对话里。因果链条 (Parent ID)作用它像 Git 的提交记录把对话串成一棵树。优势支持“时间旅行”。如果用户反悔或 AI 走错路系统可以根据父节点 ID 瞬间回滚到之前的正确状态避免 AI 产生逻辑混乱幻觉。️ 落地执行三部曲第一阶段知识数字化离线阶段收集所有客服 PDF/Markdown 资料。将文档切成 500 字左右的小块并保留部分重叠。通过 Embedding 模型将这些小块变成向量存入MySQL Chroma。第二阶段逻辑图构建核心阶段节点设计定义“检索知识”、“生成回答”、“人工介入”等独立功能模块。路线规划设定规则。比如如果检索结果评分低于 0.6则触发“重新检索”或“转人工”。存档配置配置 MySQL 存档表让对话具备持久化记忆和回溯能力。第三阶段全栈对接上线阶段Java 后端用 Spring Boot 封装 AI 逻辑提供流式SSE接口让前端显示像打字机一样流畅。前端 UI追求 Apple Style 的极简对话框展示 AI 回答的同时标注出它参考了哪份文档。人工控制台当 AI 处理不了时通过看板实时提醒人工客服接管该thread_id。