AI药典助手 - 项目体系全面分析报告

一、项目概览

AI药典助手（Pharmacopoeia AI）是一个面向药店从业人员（药师、营业员、医生）的智能问答系统，基于《中华人民共和国药典》构建 RAG（检索增强生成） 知识库，通过通义千问（Qwen）大模型提供专业药学问答服务。同时规划了执业药师考试辅导模块。

项目阶段进度

二、技术架构

整体架构图

flowchart TB
    subgraph 客户端层
      MP[微信小程序
uni-app / Vue]
      WEB[Web 前端
HTML + JS]
      STATIC[静态演示页
Mock 数据]
    end

    subgraph 网关层
      NG[Nginx
反向代理 + SSL + SSE + 限流]
    end

    subgraph 后端层
      JAVA[Java 后端 - Spring Boot 3.3
主力运行 | 端口 9000]
      PY[Python 后端 - FastAPI
辅助开发 | 端口 8000]
    end

    subgraph AI 服务
      QWEN[通义千问 Qwen API
文本/视觉/Embedding]
      RERANK[Reranker
启发式重排序]
    end

    subgraph 存储层
      PG[(PostgreSQL 16
+ pgvector 向量检索)]
      RD[(Redis
限流 / 缓存)]
    end

    subgraph 数据管道
      CRAWL[爬虫模块
维基/NMPA/药典PDF]
      PROC[处理模块
切片/清洗/Embedding]
    end

    MP --> NG
    WEB --> NG
    NG --> JAVA
    NG --> PY
    JAVA --> QWEN
    JAVA --> RERANK
    JAVA --> PG
    JAVA --> RD
    PY --> QWEN
    PY --> PG
    CRAWL --> PROC
    PROC --> PG
          

技术栈总览

三、Java 后端（主力运行）

3.1 项目结构

3.2 核心 RAG 对话流程

3.3 API 端点清单

3.4 已完成的功能

• 多模态对话：支持纯文本、图片（OCR）、视频、混合输入，同步 + SSE 流式双模式
• 意图分类：5 种意图（药品查询、用药指导、法规条款、症状建议、考试辅导）+ 否定语义检测
• 向量检索：pgvector 余弦距离，先精确匹配药品名再向量检索
• 启发式重排序：阈值过滤 + 关键词覆盖率加权 + Section 相关性 + 版本优先级 + Jaccard 去重
• Prompt 工程：6 套意图模板，含合规规则（来源标注、AI 免责声明、不编造）
• 药品管理 CRUD：搜索、详情、分类树、创建、更新、软删除
• 知识点/题库 CRUD：完整增删改查 + 批量审核
• 对话持久化：会话管理、消息记录、反馈收集
• 微信登录：jscode2session + 游客登录降级
• JWT 鉴权：HS256 签名，24 小时有效期
• IP 限流：内存滑动窗口，每分钟 60 次 / 每小时 1000 次
• 知识库统计：药品数、向量覆盖率、知识点数、题目数

3.5 Java 后端存在的问题

四、Python 后端（辅助开发）

Python 后端基于 FastAPI 构建，是项目的辅助开发方向。API 端点与 Java 后端基本对齐，但在实现深度上存在差异。

4.1 与 Java 后端的差异

4.2 Python 后端特有问题

• 数据库连接未复用：chat.py 中 _save_message 和 _ensure_user 每次都 create_async_engine，高并发下会耗尽数据库连接
• 对话历史不按用户过滤：返回所有用户的对话，存在数据泄露风险
• ORM 模型与实际使用脱节：大部分路由用原生 text() SQL，ORM 定义基本只在 drug.py 使用
• drug.py 硬编码数据库连接字符串：未使用 config.py 的配置
• Base 重复定义：base.py 和 user.py 各定义了一个 DeclarativeBase()
• RateLimiter 未被使用：定义了类但在任何 API 路由中都没有调用
• get_current_user 返回 payload dict：而非 User 对象，路由拿到的 user 只有 sub(openid)
• 默认 secret_key="change-me"：生产环境严重安全隐患

五、前端与小程序

5.1 前端形态对比

5.2 前端已完成功能

• 生产级 Web：JWT 鉴权、对话历史侧边栏、消息队列可视化、反馈功能（👍👎）、药品库分页搜索、健康检查
• 小程序页面：SSE 流式对话、消息队列（排队发送）、停止功能、多媒体上传、快捷标签、来源展示、意图标签
• 小程序浮动组件：可嵌入任意页面的 AI 对话面板，支持 drugName prop 自动填入
• 演示页：完整的 UI 交互演示，含药品库浏览、媒体上传预览、打字机效果

5.3 前端存在的问题

六、数据管道

6.1 爬虫模块状态

6.2 处理模块状态

6.3 数据入库流程

ingest.py 存在的问题：逐条 INSERT 无批量操作、无错误处理和断点续传、同时写 embedding(JSON) 和 vec(pgvector) 冗余存储、手动解析 .env 而非使用配置管理。

七、数据库设计

7.1 表结构总览

7.2 索引设计

• pgvector IVFFlat 索引：idx_drug_chunks_vec（lists=10）
• GIN 索引：ix_drugs_sections_gin（JSONB sections 列）
• 唯一索引：drug_id, conversation_id, point_id, question_id, openid
• 外键：messages→conversations, answer_records→users, user_progress→users

7.3 数据库存在的问题

• IVFFlat 索引 lists=10 过小：数据量增长到数万条时检索质量严重下降，建议使用 HNSW 或增大 lists
• embedding 和 vec 冗余存储：drug_chunks 同时有 embedding(JSON) 和 vec(vector)，embedding 列完全多余
• 无 tsvector 全文搜索索引：BM25 检索无法实现
• 无 created_at 索引：按时间排序的查询会全表扫描
• conversations.user_id 允许 NULL：与 messages 外键引用和实际使用（硬编码 0）设计不一致

八、部署方案

8.1 部署架构

8.2 部署存在的问题

• 两套配置共存：nginx.conf / nginx-pharmacopoeia.conf、supervisord.conf / supervisord-java.conf，说明部署架构还在 Java/Python 过渡期
• 后端未纳入 Docker Compose：FastAPI 应用未容器化
• SSL 证书占位符：/etc/nginx/ssl/cert.pem
• supervisord.conf 引用不存在的 tasks 模块：celery -A app.tasks worker
• supervisord-java.conf 硬编码密码和 API Key
• PostgreSQL 默认密码：POSTGRES_PASSWORD: postgres

九、缺陷清单与风险评估

9.1 严重缺陷（P0 - 必须立即修复）

9.2 高优先级缺陷（P1 - 尽快修复）

9.3 中优先级缺陷（P2 - 计划修复）

9.4 低优先级缺陷（P3 - 优化改进）

9.5 未完成模块

十、总结与建议

10.1 项目成果总结

AI药典助手项目已经完成了基础架构搭建和核心 RAG 链路打通，具体成果包括：

• 搭建了完整的双后端体系（Java 主力 + Python 辅助），覆盖 40+ API 端点
• 实现了基于 pgvector 的向量检索 + 启发式重排序 + Qwen LLM 生成的 RAG 管线
• 支持多模态输入（文本/图片/视频），SSE 流式输出
• 完成了微信小程序和 Web 前端的 UI 交互实现
• 设计了完整的数据库结构（9 张表）和知识库管理 CRUD
• 构建了数据管道框架（爬虫 + 处理器 + 入库脚本）
• 完成了 Prompt 工程（6 套意图模板 + 合规规则）

10.2 核心问题诊断

10.3 优先修复建议

10.4 架构演进建议

1. 明确后端策略：建议以 Java 后端为唯一生产环境，Python 后端仅用于数据管道和脚本工具，避免双后端维护负担
2. 引入多轮对话：当前每次请求只发送当前问题，应携带历史消息上下文以提升问答质量
3. 完善监控体系：添加请求日志、LLM 调用统计、API 用量追踪，便于运维和成本控制
4. 数据质量管控：让 ingest.py 使用已实现的 chunker.py 和 cleaner.py，确保入库数据质量
5. 渐进式功能交付：考试模块可先实现章节树和基础刷题，再逐步加入 AI 出题和进度跟踪