# intelligence_platform

**Repository Path**: fu-hehuang/intelligence_platform

## Basic Information

- **Project Name**: intelligence_platform
- **Description**: 智能运维平台
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-07-20
- **Last Updated**: 2026-07-20

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README



# AI研发异常分析助手平台 (Intelligence Platform)

## 项目简介

AI研发异常分析助手平台是一个智能化的异常分析与诊断系统，通过RAG（检索增强生成）技术结合大语言模型，帮助研发人员快速分析和解决软件系统中的异常问题。

## 项目架构

平台采用前后端分离的微服务架构设计，主要包含以下两个核心模块：

### 1. AI服务模块 (ai-service)

基于Python和FastAPI构建的AI能力服务，提供知识管理和异常分析能力。

**主要功能：**
- **知识入库**：将研发知识文档向量化存储到向量数据库
- **相似搜索**：基于语义相似度检索相关知识
- **异常分析**：结合知识库和LLM进行智能异常诊断

**技术栈：**
- FastAPI - 异步Web框架
- PgVector - 向量数据库存储
- OpenAI兼容API - 嵌入生成和LLM调用
- Pydantic - 数据验证和序列化

### 2. 异常分析平台模块 (platform)

基于Spring Boot构建的异常采集与分析平台。

**主要功能：**
- 全局异常自动捕获与记录
- 异常上下文信息收集（请求参数、Headers、TraceId等）
- 调用AI服务进行智能分析
- 分析结果展示与存储

**技术栈：**
- Spring Boot 3.x - 应用框架
- MySQL - 结构化数据存储
- MyBatis-Plus - ORM框架
- RestTemplate - HTTP客户端

## 快速开始

### 环境要求

- Python 3.10+
- Java 17+
- PostgreSQL 15+ (需安装pgvector扩展)
- MySQL 8.0+

### AI服务部署

```bash
cd ai-service

# 创建虚拟环境
python -m venv venv
source venv/bin/activate  # Linux/Mac
# 或 venv\Scripts\activate  # Windows

# 安装依赖
pip install -r requirements.txt

# 配置环境变量
cp .env.example .env
# 编辑 .env 文件，配置数据库和API密钥

# 启动服务
uvicorn app.main:app --host 0.0.0.0 --port 8000
```

### 平台服务部署

```bash
cd platform

# 编译构建
mvn clean package -DskipTests

# 运行
java -jar target/platform-*.jar
```

## API接口

### AI服务接口

| 接口 | 方法 | 描述 |
|------|------|------|
| `/api/knowledge/ingest` | POST | 知识入库 |
| `/api/knowledge/search` | POST | 知识搜索 |
| `/api/analyze/exception` | POST | 异常分析 |

### 平台服务接口

| 接口 | 方法 | 描述 |
|------|------|------|
| `/api/ai/exception/analyze` | POST | 异常分析（代理接口） |
| `/api/demo/exception/*` | GET | 异常演示 |

## 配置说明

### AI服务配置

在 `ai-service/.env` 文件中配置：

```env
# 数据库配置
DATABASE_URL=postgresql://user:password@localhost:5432/vectordb

# OpenAI兼容API配置
OPENAI_API_BASE=https://api.openai.com/v1
OPENAI_API_KEY=your-api-key
EMBEDDING_MODEL=text-embedding-3-small
LLM_MODEL=gpt-4o

# 服务配置
HOST=0.0.0.0
PORT=8000
```

### 平台服务配置

在 `platform/src/main/resources/application.properties` 文件中配置：

```properties
# 应用配置
spring.application.name=platform

# AI服务配置
ai-service.base-url=http://localhost:8000
ai-service.analyze-path=/api/analyze/exception

# 数据库配置
spring.datasource.url=jdbc:mysql://localhost:3306/exception_db
spring.datasource.username=root
spring.datasource.password=your-password
```

## 数据库初始化

### 向量数据库（PostgreSQL + pgvector）

执行 `ai-service/app/db/sql/` 目录下的SQL脚本：

```sql
-- 创建数据库
CREATE DATABASE vectordb;

-- 初始化pgvector扩展
CREATE EXTENSION IF NOT EXISTS vector;

-- 创建知识表
CREATE TABLE knowledge (
    id BIGSERIAL PRIMARY KEY,
    content TEXT NOT NULL,
    metadata JSONB,
    embedding VECTOR(1536)
);
```

### MySQL数据库

执行 `platform/src/main/resources/db/mysql/` 目录下的SQL脚本：

```sql
CREATE TABLE exception_record (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    trace_id VARCHAR(64),
    service_name VARCHAR(128),
    module VARCHAR(128),
    exception_type VARCHAR(256),
    exception_message TEXT,
    stack_trace LONGTEXT,
    request_method VARCHAR(16),
    request_uri VARCHAR(512),
    request_param TEXT,
    request_headers TEXT,
    client_ip VARCHAR(64),
    user_agent VARCHAR(256),
    analysis_status VARCHAR(32),
    ai_summary TEXT,
    ai_result_json TEXT,
    analysis_error TEXT,
    create_time DATETIME,
    update_time DATETIME
);
```

## 核心服务说明

### TextChunker

文本分块服务，将长文本分割成合适大小的片段。

```python
chunker = TextChunker(chunk_size=800, overlap=120)
chunks = chunker.split(text)
```

### EmbeddingService

文本嵌入服务，支持OpenAI兼容API和模拟模式。

```python
embedding = embedding_service.embed(text)
```

### LlmService

LLM分析服务，负责调用大语言模型进行异常分析。

```python
result = llm_service.analyze(request, references)
```

### RagService

RAG服务核心，整合知识检索和LLM分析能力。

```python
# 知识入库
response = rag_service.ingest_knowledge(request)

# 知识搜索
response = rag_service.search_knowledge(request)

# 异常分析
response = rag_service.analyze_exception(request)
```

### PgVectorStore

向量存储服务，基于PgVector实现向量检索。

```python
# 添加向量
doc_id = vector_store.add(content, metadata, embedding)

# 相似搜索
hits = vector_store.search(embedding, top_k=5)
```

## 项目路线图

1. **第一阶段**：RAG Demo - 实现基础的知识入库和检索功能
2. **第二阶段**：异常平台 - 搭建Spring Boot异常采集平台
3. **第三阶段**：增强智能分析 - 优化分析准确率和知识库质量
4. **第四阶段**：Agent化 - 实现自动化修复建议

## License

本项目仅供学习和研究使用。