深入解析智慧湿地公园AI对话系统，通过知识库检索、文件上传分析、引用文件展示等功能，为管理者提供智能化的信息查询和数据分析服务。
系统核心价值：会说话的智慧助手
AI对话系统 是智慧湿地公园平台的智能交互入口。它基于大语言模型技术，为管理人员、工作人员、游客提供自然语言的智能问答服务。用户可以像跟朋友聊天一样，向AI提问，AI会理解问题的意图，从知识库中检索相关内容，结合大模型的推理能力，给出准确、专业、友好的答案。
系统包含AI问答、知识库检索分析匹配、展示知识库引用文件、文件上传数据分析 四大核心功能。AI问答提供基础的对话交互能力；知识库检索确保答案的准确性和专业性；引用文件展示增强答案的可信度；文件上传分析让AI能够处理用户上传的数据文件，提供更加个性化的分析服务。
核心功能一：知识库检索 - 三种检索模式的智能融合
知识库检索分析匹配 是系统的核心技术。系统采用RAG（检索增强生成） 技术架构，将知识库检索与大模型生成深度融合。项目基于Django框架开发，使用PostgreSQL数据库配合pgvector扩展实现高性能的向量存储和检索。系统支持三种检索模式：embedding（纯向量检索）、keywords（纯关键词检索）、blend（混合检索） ，可根据不同场景选择最优检索策略。
当用户提问时，系统的处理流程如下：首先，用户问题通过Embedding模型（如text-embedding-ada-002）转换为向量表示；然后，系统使用pgvector扩展在PostgreSQL中进行相似度检索，召回Top-N个相关文档片段；接着，对召回的文档片段进行重排序 ，使用重排序模型对候选文档进行精准排序，确保最相关的内容排在前面；最后，将检索到的文档片段作为上下文注入到Prompt中，结合用户问题一起发送给大语言模型，大模型基于检索到的专业知识生成答案。这种方式确保了答案的准确性，避免了大模型的"幻觉"问题。
系统的混合检索模式 是技术亮点。blend模式同时使用向量检索和关键词检索两种方式召回候选文档，向量检索擅长语义理解，能够召回表达方式不同但语义相近的文档；关键词检索擅长精准匹配，能够召回包含特定关键词的文档。两种方式各有优势，混合检索通过加权融合两种检索结果，综合了两种方式的优点，检索效果更佳。系统还支持配置相似度阈值（0-2之间的浮点数），过滤掉相关度过低的文档，提升检索精度。
核心功能二：可解释AI - 引用文件的透明展示
展示知识库引用文件 功能让AI回答更加透明可信。系统在给出答案的同时，会列出引用的知识库文档，包括文档名称、相关度评分（相似度分数）、引用的具体片段（paragraph）等。系统采用卡片式布局展示引用文档，每张卡片显示文档标题、相关度评分、引用片段预览。用户可以点击卡片展开查看完整的原始文档内容，验证答案的准确性。
这种"可解释AI"的设计不仅增强了用户对AI的信任度，更符合企业级应用对可追溯性的要求。在湿地管理的专业场景中，管理人员需要确保AI给出的建议和数据是有据可查的，而不是"黑盒"输出。引用文件功能让管理人员能够追溯信息来源，必要时可以查阅原始文档获取更详细的信息，这对于重要决策尤为关键。
系统还记录了每次检索的检索模式 （embedding/keywords/blend）和检索参数 （top_n、相似度阈值等），管理员可以在后台查看这些技术参数，评估检索效果。如果发现某些问题的检索效果不佳，可以调整检索参数或优化知识库内容，持续改进AI问答的质量。
核心功能三：文件上传分析 - AI驱动的数据洞察
文件上传数据分析 功能让AI能够处理用户的个性化分析需求。用户可以上传Excel、CSV、PDF等多种格式的文件，AI会自动读取文件内容、理解数据结构、进行统计分析、生成可视化图表。
例如，管理人员上传一份"2024年客流数据统计.xlsx"文件，询问"这份数据的主要特征是什么？客流高峰集中在哪些月份？"AI会自动执行以下步骤：
1. 读取Excel文件，识别数据表结构（日期列、客流量列等）
2. 进行描述性统计分析（最大值、最小值、平均值、标准差等）
3. 识别客流高峰月份（客流量排名前3的月份）
4. 生成折线图展示全年客流趋势
5. 生成柱状图展示月度客流对比
6. 用自然语言总结分析结果："根据数据分析，2024年客流呈现明显的季节性特征，客流高峰集中在5月、7月、10月三个月份，分别对应春游季、暑假和国庆黄金周..."
文件上传分析功能的技术实现基于工具调用（Function Calling） 能力。系统预置了数据读取工具、统计分析工具、图表生成工具等，大模型能够理解用户的分析需求，自主选择和调用相应的工具完成任务。这种"AI+工具"的协同模式，让AI不仅能"说"，更能"做"，从单纯的问答助手升级为智能分析助手。
技术架构：基于Django的企业级实现
AI对话系统基于Django + Django REST Framework 构建，这是Python生态中最成熟稳定的Web开发框架。系统采用前后端分离架构，后端提供RESTful API接口，前端使用Vue.js构建交互界面。这种架构的优势在于：前后端独立开发和部署、接口标准化便于对接、支持多端复用（Web、小程序、移动App）。
在向量存储方面，系统使用PostgreSQL + pgvector扩展 。pgvector是PostgreSQL的开源向量扩展，支持向量的高效存储和相似度检索。相比专门的向量数据库（如Milvus、Qdrant），pgvector的优势在于无需额外部署向量数据库，降低了系统复杂度和运维成本。系统在PostgreSQL中创建向量索引，支持cosine相似度、欧氏距离等多种相似度计算方式，检索性能可达毫秒级。
在模型集成方面，系统采用模型提供者抽象层 设计，支持对接多种主流大语言模型，包括DeepSeek、阿里通义千问、智谱ChatGLM等。每种模型都有对应的Provider实现（位于models_provider/impl/目录），封装了模型的API调用逻辑。这种抽象层设计让系统能够灵活切换不同的模型，甚至同时使用多个模型，选择性价比最优的模型完成不同任务。
