# VeapAI

**Repository Path**: mindock/veap

## Basic Information

- **Project Name**: VeapAI
- **Description**: No description available
- **Primary Language**: Java
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-08-26
- **Last Updated**: 2026-09-07

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# VeapAI

> 一套以 AI 为核心的开源平台，打通「文档资料 → 知识库 → 向量化(Milvus) → 大模型问答溯源」全链路。
> 全程可视化、可配置化，不写代码也能搭企业知识库问答。

![stars](https://gitee.com/mindock/veap/badge/star.svg?theme=dark)
![forks](https://gitee.com/mindock/veap/badge/fork.svg?theme=dark)
![license](https://img.shields.io/badge/license-MIT-green.svg)
![version](https://img.shields.io/badge/version-3.6.5-blue.svg)

- 后端：Java 17 + Spring Boot 2.7 + Spring Cloud（微服务 / 单体双模式）
- 前端：Vue 2.6 + Element-UI
- 向量库：Milvus 2.4.x

---

## 为什么做这个

做知识库的人大多经历过同一条弯路：文档上传了、切块切了、向量也写进去了，真到用户问"这段话出自哪份文件的哪一页"时，答不上来。传统知识库是"被动存储"，AI 知识库要的是"主动给出能用的答案"。

VeapAI 把这条链路整段做进了平台：**问答结果里每个命中知识点，都能点回原文那一页、那一段**。政策问答这类"答错要担责"的场景，没有页码级溯源，AI 的答案没人敢用。

## 一条链路，8 步跑通

![八步流程图](assets/export/02-知识生命周期八步流程图.png)

1. 配置 Milvus 实例（认证 / TLS / 健康检查，操作全部留痕）
2. 创建元数据标准，声明式创建 / 更新 Collection
3. 创建知识主题
4. 上传附件资料并解析（统一 PDF 预览 + 页级片段）
5. AI 资料处理，完成知识内容初始化
6. 知识主题一键向量化（作业三级审计 + etag 幂等）
7. Milvus 调试搜索，完成知识初验证
8. 政策问答：知识搜索、知识溯源、文档在线定位预览

第 8 步是这条链路的验收点：**问答结果里每个命中知识点，都能点回原文那一页、那一段**。

全链路架构（数据层 → 向量化处理层 → 检索与大模型层 → 应用层）：

![全链路架构图](assets/export/01-全链路架构图.png)

## 工程里几个"较真"的设计

这些设计散在源码里，是理解这套代码最有价值的部分：

- **检索质量决定生成上限**。检索模板固定 TopK / 阈值 / 过滤表达式，每次检索写 `ai_vector_search_audit` 留痕，调参有据可查。
- **一张表一个唯一写入点**。`ai_vector_object_map` 只允许 `AiVectorIngestJobRunner` 写入，旁路 CRUD 被明确禁止，业务对象与 Milvus 主键的映射不错账。
- **job / run / item 三级向量写入审计**。一次运行一条 run，每个对象一条 item，成功 / 跳过 / 失败逐条可查。
- **etag 幂等**。向量对象映射用内容 hash + 嵌入模型 ID 决定是否跳过重算，改内容才重算向量。
- **Milvus 操作禁止吞错**。`ai_milvus_op_log` 对每次运维操作留痕，失败必须抛错。
- **页级溯源，此言有据**。知识点通过 `ai_knowledge_entry_source` 精确挂到文档页 / 片段，`locator_json` 是打开预览时定位的唯一依据。
- **没有向量就别硬聊**。问答候选匹配找不到启用作业时返回空列表、不兜底，宁可空结果，也不让模型瞎编出处。

## 三种路线怎么选

| 路线 | 代表 | 优点 | 代价 |
| ---- | ---- | ---- | ---- |
| 商业平台 | 各云厂商知识库 | 开箱即用 | 按量付费、数据出域、定制受限 |
| 纯自研 | 自建 RAG 管线 | 完全可控 | 解析、向量、检索、权限全要自己写，周期 4-6 周起步 |
| **VeapAI** | 本仓库 | 开源 + 可视化配置 + 全链路已打通 | 需要自己部署运维 |

VeapAI 走的是第三条：把自研才有的工程细节（三级审计、幂等映射、页级溯源、操作留痕）做进可视化平台，克隆下来 8 步跑通，改配置不动代码。

## 软件架构

```text
VeapAI/
├── veap-cloud/            # 后端（Spring Boot 多模块，Java 17）
│   ├── veap-api/          # API 契约层
│   ├── veap-auth/         # 认证服务
│   ├── veap-common/       # 公共组件
│   ├── veap-gateway/      # 网关
│   ├── veap-modules/      # 业务模块
│   │   ├── veap-system/   # 系统管理
│   │   ├── veap-gen/      # 代码生成
│   │   ├── veap-job/      # 定时任务
│   │   ├── veap-file/     # 文件服务（含文档解析）
│   │   ├── veap-log/      # 操作日志
│   │   ├── veap-workflow/ # 工作流（Flowable）
│   │   ├── veap-ai/       # AI 平台（LLM、知识库、问答、智能体）
│   │   ├── veap-milvus/   # Milvus 向量库服务
│   │   └── veap-aippt/    # AI PPT 生成
│   ├── veap-package/      # 打包入口（monolith / micro）
│   └── veap-visual/       # 服务监控（Spring Boot Admin）
└── veap-ui/               # 前端（Vue2 + Element-UI）
    ├── src/views/ai/      # 知识库 / 元数据 / 问答页面
    ├── src/views/milvus/  # Milvus 实例 / 集合 / 向量作业页面
    └── src/components/AiConsole/  # AI 执行控制台
```

| 层次 | 技术 |
| ---- | ---- |
| 后端 | Java 17 / Spring Boot 2.7.18 / Spring Cloud 2021.0.9 / Spring Cloud Alibaba 2021.0.6.1 |
| 注册 / 配置 | Nacos |
| 限流 / 熔断 | Sentinel |
| 工作流 | Flowable 6.8.1 |
| 定时任务 | Quartz |
| 数据库 | MySQL 8.x（Druid + 动态数据源） |
| 缓存 / 对象存储 | Redis / MinIO |
| 向量库 | Milvus 2.4.x |
| 前端 | Vue 2.6 + Element-UI 2.15 + Vuex + Vue Router |
| 构建 | Maven / Vue CLI 4 |

## 快速开始

环境：JDK 17、Maven 3.6+、MySQL 8.x、Redis、Node.js 14+；可选 Nacos、MinIO、Milvus 2.4.x。

```bash
# 后端（单体模式，全模块）
cd veap-cloud
mvn -B -pl veap-package/veap-monolith -am -DskipTests package

# 前端
cd veap-ui
npm install
npm run dev   # 访问 http://localhost:80
```

单体 / 微服务模式由 `global.service.mode` 配置切换。AI 能力相关表结构见 `veap-cloud/DB/veap.sql`。

## 更多阅读

系列文章（发布后补链接）：

1. 《从零打通企业 AI 知识库全链路：VeapAI 实战》第 1 篇：配置 Milvus 实例
2. 第 2 篇：元数据标准与 Collection
3. 第 3 篇：知识主题
4. 第 4 篇：附件上传与文档解析
5. 第 5 篇：AI 资料处理
6. 第 6 篇：一键向量化
7. 第 7 篇：Milvus 调试搜索
8. 第 8 篇：政策问答与溯源

## License

MIT License