思渡AI Logo
技术架构文档企业 AI 平台解决方案

企业 AI 平台解决方案

企业级 AI 中台 (Enterprise AI PaaS) 整体构建方案

版本: v1.0
日期: 2026-01-22
状态: 规划中 -> 实施准备

1. 建设背景与目标

从单一的 "GEO 品牌资产管理工具" 升级为 "企业级 AI 核心中台"。通过构建通用的 AI 基础设施（Token 路由、RAG 引擎、Agent 调度），复用底层能力，快速支撑多样化的上层业务应用，实现降本增效与数据资产沉淀。

业务目标矩阵:

  1. GEO 品牌大脑: 持续强化。搜索引擎模拟、SEO/GEO 策略生成。
  2. AI 知识库 (基座): 企业非结构化数据（文档、手册、案例）的统一存储与检索中心。
  3. AI 智能客服: 基于私域知识库的高准确度问答，支持人工接管与多渠道接入。
  4. AI 营销矩阵: 自动化内容生成与多平台分发。
  5. AI 流程质检: 业务对话录音/记录的合规性检测与情感分析。

2. 系统架构设计 (1+N 模式)

采用 "1个 AI 核心中台 + N 个业务插件" 的模块化架构。

2.1 架构分层图

graph TD
    User[企业用户 / 终端客户] --> Portal[统一工作台 (Web Console)]
    
    subgraph "应用层 (Applications)"
        GEO[GEO 品牌大脑]
        CS[AI 智能客服]
        MKT[AI 营销矩阵]
        AUDIT[AI 流程质检]
    end
    
    Portal --> GEO
    Portal --> CS
    Portal --> MKT
    Portal --> AUDIT
    
    subgraph "AI 中台核心 (AI PaaS Core)"
        Gateway[MaaS 模型网关]
        RAG[RAG 知识引擎]
        Agent[Agent 任务调度]
        Monitor[监控与计费]
    end
    
    GEO --> Gateway & RAG & Agent
    CS --> Gateway & RAG
    MKT --> Gateway & Agent
    AUDIT --> Gateway & RAG
    
    subgraph "基础设施 (Infrastructure)"
        LLM_API[外部模型 (GPT-4/Qwen/DeepSeek)]
        VectorDB[向量数据库 (PgVector)]
        RelationalDB[关系型数据库 (PostgreSQL)]
        BlobStore[文件存储 (S3/OSS)]
    end
    
    Gateway --> LLM_API
    RAG --> VectorDB & BlobStore
    Monitor --> RelationalDB

2.2 核心模块详解

A. MaaS 模型网关 (Model-as-a-Service Gateway)

  • 功能:
    • 统一接口: 屏蔽底层模型差异 (OpenAI/Qwen/Zhipu/DeepSeek)，向上提供标准 API。
    • 路由策略: 根据任务类型自动选择模型（例：复杂推理用 GPT-4，普通对话用 Qwen-Turbo）。
    • 成本控制: 统一 Token 计费、限流与熔断。
  • 代码位置: services/geo-brain/core/llm/
  • 升级计划: 增加计费统计表与动态路由配置。

B. RAG 知识引擎 (Knowledge Engine) - 新建关键模块

  • 功能: 为所有应用提供“记忆”与“知识”。
    • ETL 流水线: 文档上传 -> 解析 (PDF/Word) -> 切片 (Chunking) -> 向量化 (Embedding)。
    • 混合检索: 结合向量相似度检索 (Semantic Search) 与 关键词检索 (Keyword Search)。
  • 应用场景:
    • GEO: 检索品牌产品资料，生成准确的 SEO 建议。
    • 客服: 检索产品手册，回答用户提问。
  • 技术栈: PostgreSQL + pgvector 插件 + LangChain/LlamaIndex (部分逻辑)。

C. Agent 任务调度器

  • 功能: 处理异步、耗时或需要外部交互的任务。
    • RPA 爬虫: 抓取 Google/Bing 搜索结果 (GEO)。
    • 动作执行: 发送邮件、发布文章、推送 CRM。
  • 现状: services/rpa-worker (现有)。
  • 升级: 泛化为通用任务队列 (Celery/Redis Queue)，支持多种 Job Type。

3. 业务应用构建方案

应用模块功能描述依赖中台能力优先级
知识库 (KB)文档管理、分片预览、向量索引、检索测试RAG 引擎P0 (基石)
GEO 2.0现有的品牌诊断、优化、监测功能爬虫, MaaSP1 (核心)
AI 客服机器人配置、对话窗口、人工接管、历史会话RAG, MaaSP1 (高)
AI 营销爆文生成、多账号管理、自动发布MaaS, AgentP2
AI 质检语音/文本上传、评分规则配置、质检报告MaaSP3

4. 实施路线图 (Roadmap)

阶段一：地基与知识库 (当前阶段)

  • 目标: 完成“AI 中台”的底层解耦，上线通用的 知识库模块。
  • 任务:
    1. [后端] 引入 pgvector，扩展 PostgreSQL 架构支持向量存储。
    2. [后端] 创建 rag_service 目录，封装文档解析与 Embedding 逻辑。
    3. [后端] 实现 MaaS Gateway 的计费与流式输出标准化。
    4. [前端] 增加「知识库管理」界面，支持文件上传与解析状态查看。

阶段二：AI 客服应用构建

  • 目标: 基于知识库，发布第一个派生应用 AI 客服。
  • 任务:
    1. [应用] 定义“机器人 (Bot)”数据模型 (提示词、关联知识库、开场白)。
    2. [交互] 开发沉浸式 Chat 界面 (独立路由 /chat/...)。
    3. [核心] 联调 RAG 检索链路：提问 -> 检索 -> Prompt 组装 -> 生成。

阶段三：平台化与多应用扩展

  • 目标: 完善 Portal 交互，支持 GEO、营销等多应用切换。
  • 任务:
    1. [UI] 重构 Sidebar，增加一级“应用导航”。
    2. [营销] 接入 RPA 发布能力。
    3. [运营] 完善 Dashboard，展示全平台 Token 消耗与 ROI。

5. 项目结构规范 (重构后)

e:\GEO\
├── apps\
│   └── web-console\        # 统一前端门户 (Next.js)
│       ├── app\
│       │   ├── geo\        # GEO 业务路由
│       │   ├── knowledge\  # 知识库业务路由
│       │   ├── service\    # 客服业务路由
│       │   └── chat\       # 对话窗口路由
│       └── components\     # 共享 UI 组件
├── services\
│   ├── geo-brain\          # AI 中台主服务 (FastAPI)
│   │   ├── core\           # 核心 (Config, DB, Auth)
│   │   ├── maas\           # [新] 模型网关 (原 core/llm)
│   │   ├── rag\            # [新] 知识引擎 (解析/向量)
│   │   ├── routers\        # API 路由聚合
│   │   │   ├── auth.py
│   │   │   ├── geo_api.py
│   │   │   ├── kb_api.py   # 知识库 API
│   │   │   └── chat_api.py # 客服 API
│   │   └── database\       # 统一数据模型
│   └── rpa-worker\         # 任务执行器 (无头浏览器/API调用)
└── docs\                   # 解决方案文档

6. 下一步立即执行动作

  1. 环境配置: 确认 PostgreSQL 已安装/开启 vector 扩展。
  2. 代码重构: 在 geo-brain 中建立 rag 模块雏形。
  3. 依赖安装: 添加 langchain, pypdf, psycopg2-binary 等 RAG 依赖。

Previous

AI 智能客服解决方案

Next

GEO 系统解决方案