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（一）
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。