2.8 KiB
好的，以下是 简化版的智能问答接口设计，聚焦两个核心问答模式： • ✅ 普通聊天（chat） • ✅ 深度研究（research）
省略了 history_limit、model、parameters、metadata 等高级控制参数，仅保留核心功能字段。
⸻
✅ 请求接口设计
POST /api/qa/ask
📥 请求体（JSON）
{ "mode": "chat", // chat | research，问答模式 "conversation_id": "12345", // 可选，会话ID（用于上下文关联） "message": "什么是RAG？" // 用户输入的问题 }
📌 字段说明
字段名 类型 必填 说明 mode string 是 chat 普通聊天，research 深度研究 conversation_id string 否 可选；为空则创建新会话 message string 是 用户发送的问题内容
⸻
✅ 响应数据设计
📤 响应体（JSON）
{ "success": true, "conversation_id": "12345", "message_id": "msg_001", "answer": "RAG 是一种结合检索与生成的问答系统架构...", "references": [], // chat 模式为空；research 模式可能返回引用资料 "report_id": null, // 仅在 research 模式中，若已触发报告生成 "tokens_used": 198, "time_ms": 732 }
📌 字段说明
字段名 类型 说明 success boolean 是否成功 conversation_id string 当前所属会话 ID message_id string 当前返回消息的唯一标识 answer string 模型生成的回答内容 references array 若为 research 模式，可能包含引用资料；否则为空 report_id string | null 若生成报告，返回报告ID；否则为 null tokens_used number 生成过程使用的 token 数量（可用于统计/计费） time_ms number 模型生成耗时（毫秒）
⸻
✅ 示例
📌 普通聊天模式
请求
{ "mode": "chat", "message": "你好，帮我解释一下 LLM 是什么？" }
响应
{ "success": true, "conversation_id": "abc123", "message_id": "msg_1001", "answer": "LLM（Large Language Model）是指大型语言模型...", "references": [], "report_id": null, "tokens_used": 154, "time_ms": 645 }
⸻
📌 深度研究模式
请求
{ "mode": "research", "conversation_id": "r20240718_001", "message": "请详细说明 RAG 在金融领域的应用。" }
响应
{ "success": true, "conversation_id": "r20240718_001", "message_id": "msg_2009", "answer": "在金融领域，RAG 可用于增强问答系统...", "references": [ { "title": "RAG 应用于金融智能问答", "url": "https://example.com/rag-finance", "quote": "金融领域中的RAG系统能显著提升精确率..." } ], "report_id": "report_84928", "tokens_used": 341, "time_ms": 1024 }
⸻
✅ 结构总结（精简版）
模式 关键差异 chat 只返回回答，无引用、无报告 research 返回引用资料、可返回 report_id
⸻
如需下一步生成 Swagger/OpenAPI 接口文档、接口校验 Schema、数据库如何存储这些内容，欢迎继续提问。