[T.11] 团队项目：Alpha 阶段发布说明
| 项目 | 内容 |
|---|---|
| 这个作业属于哪个课程 | 2025年春季软件工程（罗杰、任健） |
| 这个作业的要求在哪里 | [T.11] 团队项目：Alpha 阶段发布说明 |
| 我在这个课程的目标是 | 学习软件工程的基础知识，和团队成员们实践各种软件工程的方法与流程，开发一个让我们值得骄傲的项目 |
| 这个作业在哪个具体方面帮助我实现目标 | Alpha 阶段发布说明 |
一、本版本的功能与特性
功能演示
注册
登录
低代码pipeline组件
用户上传知识库文件
新建pipeline
点击运行pipeline
MCP协议简化与B端用户现有系统的集成工作
功能与特性总览
| 功能/特性名 | 解决的问题 | 应用场景简介 |
|---|---|---|
| 模块化Pipeline编排 | 不同业务场景需要灵活配置问答流程 | 企业或个人按需配置处理流程 |
| 多租户架构支持 | 各部门/用户知识库隔离，保障数据安全性 | 企业内部各部门共用一套问答系统 |
| MCP协议双向集成 | 接入外部系统或暴露知识库服务能力困难 | 与OA、CRM等企业现有系统对接 |
| 权限分级与审计日志 | 企业需进行合规操作记录与权限管理 | 管理员设定谁可访问/上传哪些文档 |
| 开箱即用可视化界面 | 非技术用户难以配置RAG流程 | 个人用户上传PDF一键问答 |
| 引文追溯与知识库引用展示 | 回答可信度低，无法验证来源 | 用户查看答案出处，提升信任 |
| 推荐机制与个性化知识库 | 用户重复提问，效率低 | 根据提问记录推荐内容，逐步构建知识体系 |
场景讲述法描述应用场景
B端企业用户：企业智能问答助手构建故事
老王是某大型制造企业的IT负责人，公司员工需频繁查询操作规范、制度流程，但资料分散在多个系统中。为提升效率，老王使用 RAGnarok私有部署 系统：
- 上传企业内部制度文档
- 用 模块化Pipeline 配置：文档解析 → 检索匹配 → 回答生成
- 用 MCP协议 与企业OA系统联动获取实时人事制度
- 启用 多租户机制，各部门上传独立文档、权限隔离
- 使用 运维调试工具 监控性能
效果：员工提问「请假制度」，系统返回简洁政策摘要与出处，提升效率90%，大幅减少IT负担。
C端个人用户：智能学术助手使用故事
小李是高校研究生，常需撰写综述。她通过RAGnarok平台上传文献、笔记，查询术语定义、总结段落：
- 使用 可视化界面 上传PDF
- 系统通过RAG流程检索关键内容，返回总结及出处
- 小李收藏答案并将其标记
- 系统基于提问习惯优化后续推荐
效果：小李用RAGnarok生成初稿摘要，效率提升3倍，文献组织更清晰。
二、本版本修复的缺陷
| 原始问题 | 负面影响与必要性说明 |
|---|---|
| 用户上传不同格式文档后解析失败 | 多文档场景易出错，影响系统稳定性与用户信任 |
| 权限机制不完善，导致不同租户数据混淆 | 数据泄露风险高，企业用户拒绝使用 |
| 知识库引用显示不完整，回答缺乏溯源 | 用户无法信任AI回答内容，特别是学术或合规场景 |
修复方式与效果
- 统一文档解析接口：引入自动格式识别与格式转换模块，支持PDF/HTML/TXT，确保无格式失败
- 多租户机制优化：每个租户配有独立命名空间和Token认证机制，文档与回答完全隔离
- 引用链路增强：所有回答附带文档标题、段落位置及链接，提升答案可信度
修复后用户上传文档体验流畅，企业数据更安全，用户更信任输出内容。
三、对运行环境的要求
对客户端运行环境
| 项目 | 要求说明 |
|---|---|
| 系统平台 | 支持 Windows 10/11、macOS Monterey/Ventura、Ubuntu 22.04，兼容移动端系统（iOS、Android） |
| 浏览器类型与版本 | 推荐使用最新版 Chrome、Edge、Safari、Firefox，兼容主流浏览器内核 |
| 网络要求 | 建议连接稳定的网络，便于加载文档与发送请求 |
| 分辨率与适配 | 支持 1080p、2K、4K 屏幕分辨率，已完成移动端响应式适配测试 |
| 接口兼容性 | 支持通过 MCP 协议与外部系统集成，如知识库平台、认证系统等 |
对企业私有部署环境要求
| 要求类别 | 配置说明 |
|---|---|
| 操作系统 | Ubuntu 22.04 推荐，兼容 CentOS 7+ / Windows Server / macOS（开发测试环境） |
| 硬件配置 | 最低：8GB RAM + 双核 CPU；推荐：16GB RAM + 四核 CPU；高负载支持：32GB RAM + 八核 CPU |
| Python 版本 | Python 3.10 及以上，建议使用虚拟环境（venv）或 Conda 进行依赖隔离管理 |
| 部署方式 | 支持本地 Docker 部署、云端部署等 |
| 依赖服务 | Docker / Redis / PostgreSQL 等支持组件需预装 |
四、安装与使用方法
个人用户（Web端）
- 打开官网注册账号
- 创建个人知识库并上传文档（支持拖拽）
- 在界面中输入问题，即可获得带引用的AI回答
- 收藏/点赞/反馈回答结果，逐步优化个性化推荐
企业用户（部署）
- 克隆RAGnarok项目
- 按文档配置启动服务
- 登录后台上传企业文档，配置Pipeline
- 设定权限、集成内网系统、开启服务
五、已知问题与限制
1. 功能完整性方面
- 多租户权限控制粒度不足
当前权限体系尚未完全实现对租户间资源隔离的细粒度控制，如跨租户操作或部分租户自定义配置仍依赖统一逻辑处理。 - MCP协议接入能力有限
虽然初步实现了对 MCP（Modular Context Protocol）的解析与传输，但对复杂嵌套结构与实时动态上下文的支持仍不完整，限制了与复杂业务系统的深度集成。
2. 技术与性能方面
- LLM响应时间波动大
在高并发或长上下文输入场景下，LLM模块存在异步响应延迟不稳定的问题，尚需进一步调优调用策略与上下文压缩方案。 - 向量检索性能瓶颈
当前基于 Qdrant 的向量库检索模块在大规模数据（如十万级文档）场景下存在响应时间上升趋势，影响用户体验。
3. 用户体验与可用性方面
-
文档上传格式支持有限
当前知识文档上传主要支持PDF和文本格式，尚未覆盖主流网页、Office文档、Markdown等更多类型，限制用户输入通道。 -
缺少用户反馈闭环机制
问答结果虽已支持用户收藏与参考文献展示，但缺乏完整的反馈收集与再训练机制，无法基于用户行为持续优化问答质量。 -
系统部署复杂度较高
现阶段支持私有化部署但依赖多个组件（如LLM API、Qdrant、后端服务）独立配置，尚未形成统一部署脚本或容器化解决方案。
六、软件发布方式与地址
C 端用户访问（无需部署，开箱即用）
RAGnarok 系统的前端已部署并开放访问，用户可以直接通过以下地址使用智能问答平台：
在线访问地址：http://81.70.198.42/
B 端用户部署方式（支持私有化与深度集成）
企业用户或开发者如需进行私有部署、定制功能或二次开发，请访问我们的 GitHub 仓库获取完整源码与部署说明：
GitHub 项目地址：https://github.com/RAGnarok-dev/
项目内附带详细的部署文档，涵盖：
- 后端与前端服务部署说明
- 多租户与私有部署配置
- 模块化组件启用与禁用方法
- 数据库与模型服务初始化流程
浙公网安备 33010602011771号