第一步 需求与场景定义第 1 天 项目背景与目标本系统的目标是基于 RuoYi AI 开源全栈式 AI 开发平台为客服团队打造一个企业级私有化智能问答助手。RuoYi AI 平台将大语言模型能力、本地化检索增强生成RAG、多模型集成和商业支付模块封装成开箱即用的组件让我们能够专注于业务场景的落地无需从零搭建 AI 基础设施。该智能问答助手将服务于一线客服人员和部分 C 端客户实现产品问题自动回答、常见问题引导和工单分类辅助三大核心功能同时严格遵循“所有企业业务数据不出内网服务器”的红线要求。 用户画像用户类型核心诉求使用场景用户体验要求一线客服人员减少重复性问答工作提升处理效率在日常客服工作中将高频重复性问题交由 AI 助手自动处理复杂问题则由人工跟进。AI 生成的回复草稿可根据专业知识库即时调整后发送回复准确、响应快速AI 回答可一键采纳或编辑后再发送人工介入流程顺畅C 端客户自助解决常见问题获得即时响应通过官网、小程序或微信公众号等渠道自助查询产品功能、操作指南和售后政策无需排队等待人工客服交互友好回答贴心自然支持多轮对话追问RuoYi AI 平台天然支持企业微信、微信公众号及小程序的快速集成可将 AI 服务部署到各用户触点实现全渠道统一接入。⚙️ 核心功能基于 RuoYi AI 平台能力核心功能清单如下功能模块平台支撑能力详细描述产品问题自动回答本地化 RAG LLM通过加载企业产品手册、操作指南、FAQ 等技术文档构建私有知识库AI 自动检索知识库中相关内容生成精准回答。RuoYi AI 基于 Langchain4j 框架和 BGE-large-zh-v1.5 中文向量模型实现纯 Java 方案的本地化 RAG支持本地 LLM 接入结合私有知识库实现安全可控的问答系统有效避免云端服务的隐私风险常见问题引导知识库管理 意图识别基于知识库自动识别用户意图生成 FAQ 引导和标准操作流程。平台支持 PDF、Word、Excel 等多格式文档的解析和向量化存储可先从知识库检索内容再生成回答有效解决大模型“幻觉”问题工单分类辅助Agent Skills 机制自动识别用户咨询类型根据对话内容完成工单分类和优先级判定辅助人工客服提升处理效率。平台支持 Agent Skills 机制允许开发者定义可调用的工具集AI 可自动选择 Skill 执行涵盖工具注册、参数解析及结果回调的完整链路⚡ 非功能需求需求指标目标值实现路径问答准确率85%依托 RuoYi AI 的本地化 RAG 方案回答范围严格限定在企业预设知识边界内结合动态召回阈值设定与多轮语义分析持续提升准确率响应时间3 秒基于 Spring Boot 与 Spring AI 构建高性能后端内置 SSE 协议实现低延迟流式交互数据安全完全本地化本地化部署方案配置本地嵌入模型集成本地向量数据库数据从输入、处理到输出全程在内网环境运行实现与外网物理隔离 红线要求所有企业业务数据不出内网服务器。这是本次项目不可逾越的底线。RuoYi AI 平台提供了完整的技术保障链保障层级实现方式向量化本地配置 BGE-large-zh-v1.5 等本地向量化模型文档的嵌入计算全程在内网完成无需依赖云端向量化服务LLM 本地推理通过集成 Ollama 等本地推理框架私有化部署 Llama 3、Qwen、DeepSeek 等开源大模型所有提问和回答的推导过程均在企业内网服务器完成离线部署支持平台已提供完整的离线部署方案采用分层架构设计所有组件均通过 Docker 容器运行确保环境一致性和隔离性数据存储本地用户对话数据、知识库文档、向量数据全部存储在企业内部的 MySQL 和向量数据库中由企业自主控制访问权限以上为“需求与场景定义”步骤的完整撰写内容。这一阶段是整个项目的根基——需求定义得越清晰后续的技术选型和功能落地就越顺畅。通过 RuoYi AI 平台的本地化部署能力我们能够在保障数据安全的前提下以较低的成本快速构建出符合企业需求的智能问答助手。接下来将进入“环境部署”阶段完成项目的实际落地实施。