xianjing-ai/README.md

# 鲜境方案引擎 · 通用原型（需求未定稿版）

业务规则还在变时：**先搭可配置原型，再按真实需求改 YAML，而不是先写死后台。**

## 策略

1. 先跑通：多轮追问（槽位）→ 判定树出组合 → 检索补依据 → 出方案草稿  
2. 槽位 / 判定树 / 示例知识 **全部外置配置**，需求变了主要改配置  
3. 检索默认 **Mock**（不依赖本机 Ragflow）；有 Ragflow 后改环境变量即可接真库  
4. 不做大而全后台；控制台能聊天验证闭环即可  

## 本仓库原型包含

| 路径 | 作用 |
|------|------|
| `engine/` | FastAPI 方案引擎 + 简易聊天页 |
| `knowledge/` | `slots.yaml` / `decision_tree.yaml` / 示例检索片段 |
| `docs/Ragflow实施方案.md` | 完整架构说明 |

## 快速启动

```bash
cd /workspace
python3 -m venv .venv
source .venv/bin/activate
pip install -r engine/requirements.txt
uvicorn engine.app.main:app --host 0.0.0.0 --port 3847
```

打开：[方案引擎原型](http://127.0.0.1:3847/)

健康检查：`GET /api/health`  
重载业务配置：`POST /api/admin/reload-config`（改完 YAML 不用重启进程时用）

## 接真 Ragflow（稍后）

```bash
export RETRIEVAL_BACKEND=ragflow
export RAGFLOW_BASE_URL=http://127.0.0.1:9380
export RAGFLOW_API_KEY=...
export RAGFLOW_DATASET_IDS=...
```

未配置时保持 `RETRIEVAL_BACKEND=mock`。

## 需求清晰后怎么补

1. 改 `knowledge/slots.yaml`（追问项）  
2. 改 `knowledge/decision_tree.yaml`（推荐规则）  
3. 灌真实资料进 Ragflow，切 `ragflow` 后端  
4. 再加渠道 Webhook / 转人工 / Eval，而不是推倒重来