AI 智能知識庫設計文檔

概述

將 ElinksBoard 知識庫升級為 AI 驅動的智能系統，提供：

🤖 AI 智能問答
🔍 語義搜尋
💡 智能推薦
📊 使用分析
🌐 多語言支援

架構設計

1. 核心組件

┌─────────────────────────────────────────────────┐
│                   前端介面                        │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐      │
│  │ 搜尋框   │  │ AI 問答  │  │ 推薦卡片 │      │
│  └──────────┘  └──────────┘  └──────────┘      │
└─────────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────┐
│              AI 服務層 (Laravel)                 │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐      │
│  │語義搜尋  │  │ AI 問答  │  │智能推薦  │      │
│  └──────────┘  └──────────┘  └──────────┘      │
└─────────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────┐
│              AI 引擎層                           │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐      │
│  │ OpenAI   │  │ Embedding│  │ Vector DB│      │
│  │   API    │  │  Service │  │  (Redis) │      │
│  └──────────┘  └──────────┘  └──────────┘      │
└─────────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────┐
│              資料層                              │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐      │
│  │ MySQL    │  │  Redis   │  │ 搜尋索引 │      │
│  └──────────┘  └──────────┘  └──────────┘      │
└─────────────────────────────────────────────────┘

2. 資料庫擴展

-- 添加 AI 相關欄位
ALTER TABLE v2_knowledge ADD COLUMN embedding TEXT COMMENT 'AI 向量嵌入';
ALTER TABLE v2_knowledge ADD COLUMN embedding_model VARCHAR(50) COMMENT '嵌入模型';
ALTER TABLE v2_knowledge ADD COLUMN embedding_updated_at INT COMMENT '嵌入更新時間';
ALTER TABLE v2_knowledge ADD COLUMN view_count INT DEFAULT 0 COMMENT '查看次數';
ALTER TABLE v2_knowledge ADD COLUMN helpful_count INT DEFAULT 0 COMMENT '有幫助次數';
ALTER TABLE v2_knowledge ADD COLUMN unhelpful_count INT DEFAULT 0 COMMENT '無幫助次數';
ALTER TABLE v2_knowledge ADD COLUMN tags JSON COMMENT '標籤';
ALTER TABLE v2_knowledge ADD COLUMN related_ids JSON COMMENT '相關文章 ID';

-- 創建搜尋日誌表
CREATE TABLE v2_knowledge_search_log (
    id INT PRIMARY KEY AUTO_INCREMENT,
    user_id INT,
    query TEXT NOT NULL COMMENT '搜尋查詢',
    query_type ENUM('keyword', 'semantic', 'ai_chat') COMMENT '查詢類型',
    results_count INT COMMENT '結果數量',
    clicked_id INT COMMENT '點擊的文章 ID',
    is_helpful BOOLEAN COMMENT '是否有幫助',
    created_at INT COMMENT '創建時間',
    INDEX idx_user_id (user_id),
    INDEX idx_created_at (created_at)
) COMMENT='知識庫搜尋日誌';

-- 創建 AI 對話記錄表
CREATE TABLE v2_knowledge_ai_chat (
    id INT PRIMARY KEY AUTO_INCREMENT,
    user_id INT,
    session_id VARCHAR(64) COMMENT '會話 ID',
    question TEXT NOT NULL COMMENT '使用者問題',
    answer TEXT NOT NULL COMMENT 'AI 回答',
    context JSON COMMENT '上下文（引用的文章）',
    model VARCHAR(50) COMMENT '使用的模型',
    tokens_used INT COMMENT '使用的 token 數',
    is_helpful BOOLEAN COMMENT '是否有幫助',
    created_at INT COMMENT '創建時間',
    INDEX idx_user_id (user_id),
    INDEX idx_session_id (session_id),
    INDEX idx_created_at (created_at)
) COMMENT='AI 對話記錄';

功能實現

1. 語義搜尋

原理： 使用 OpenAI Embeddings 將文章和查詢轉換為向量，計算相似度

流程：

使用者輸入查詢
    ↓
生成查詢的 Embedding
    ↓
在向量資料庫中搜尋相似文章
    ↓
返回最相關的結果

實現：

class SemanticSearchService
{
    public function search(string $query, int $limit = 10): array
    {
        // 1. 生成查詢的 embedding
        $queryEmbedding = $this->generateEmbedding($query);
        
        // 2. 從 Redis 獲取所有文章 embeddings
        $articles = $this->getAllArticleEmbeddings();
        
        // 3. 計算相似度
        $similarities = [];
        foreach ($articles as $article) {
            $similarity = $this->cosineSimilarity(
                $queryEmbedding, 
                $article['embedding']
            );
            $similarities[] = [
                'id' => $article['id'],
                'similarity' => $similarity
            ];
        }
        
        // 4. 排序並返回 top N
        usort($similarities, fn($a, $b) => $b['similarity'] <=> $a['similarity']);
        return array_slice($similarities, 0, $limit);
    }
}

2. AI 智能問答

原理： 使用 RAG (Retrieval-Augmented Generation) 模式

流程：

使用者提問
    ↓
語義搜尋相關文章
    ↓
將文章作為上下文
    ↓
調用 OpenAI API 生成回答
    ↓
返回答案 + 引用來源

實現：

class AIKnowledgeService
{
    public function chat(string $question, ?string $sessionId = null): array
    {
        // 1. 搜尋相關文章
        $relevantArticles = $this->semanticSearch->search($question, 3);
        
        // 2. 構建上下文
        $context = $this->buildContext($relevantArticles);
        
        // 3. 構建 prompt
        $prompt = $this->buildPrompt($question, $context);
        
        // 4. 調用 OpenAI
        $response = $this->openai->chat([
            'model' => 'gpt-4-turbo-preview',
            'messages' => [
                ['role' => 'system', 'content' => $this->getSystemPrompt()],
                ['role' => 'user', 'content' => $prompt]
            ],
            'temperature' => 0.7,
            'max_tokens' => 1000
        ]);
        
        // 5. 記錄對話
        $this->logChat($question, $response, $relevantArticles);
        
        return [
            'answer' => $response['choices'][0]['message']['content'],
            'sources' => $relevantArticles,
            'session_id' => $sessionId ?? Str::random(32)
        ];
    }
    
    private function getSystemPrompt(): string
    {
        return "你是 ElinksBoard 的智能助手。根據提供的知識庫內容回答使用者問題。
        
規則：
1. 只使用提供的知識庫內容回答
2. 如果知識庫中沒有相關資訊，誠實告知
3. 回答要清晰、準確、有幫助
4. 使用繁體中文回答
5. 可以提供步驟說明和範例";
    }
}

3. 智能推薦

策略：

基於內容 - 相似文章推薦
基於行為 - 使用者閱讀歷史
基於熱度 - 熱門文章
基於上下文 - 根據當前問題推薦

實現：

class KnowledgeRecommendationService
{
    public function recommend(User $user, ?int $currentArticleId = null): array
    {
        $recommendations = [];
        
        // 1. 基於當前文章的相似推薦
        if ($currentArticleId) {
            $similar = $this->getSimilarArticles($currentArticleId, 3);
            $recommendations = array_merge($recommendations, $similar);
        }
        
        // 2. 基於使用者歷史
        $history = $this->getUserReadingHistory($user->id, 5);
        if ($history) {
            $personalized = $this->getPersonalizedRecommendations($history, 3);
            $recommendations = array_merge($recommendations, $personalized);
        }
        
        // 3. 熱門文章
        $popular = $this->getPopularArticles(3);
        $recommendations = array_merge($recommendations, $popular);
        
        // 4. 去重並限制數量
        $recommendations = $this->deduplicateAndLimit($recommendations, 5);
        
        return $recommendations;
    }
}

4. 自動標籤生成

使用 AI 自動為文章生成標籤

class KnowledgeTagService
{
    public function generateTags(Knowledge $article): array
    {
        $prompt = "分析以下文章並生成 3-5 個相關標籤（繁體中文）：

標題：{$article->title}
內容：{$article->body}

要求：
1. 標籤要簡潔（2-4 個字）
2. 標籤要準確反映文章主題
3. 只返回標籤列表，用逗號分隔";

        $response = $this->openai->chat([
            'model' => 'gpt-3.5-turbo',
            'messages' => [
                ['role' => 'user', 'content' => $prompt]
            ],
            'temperature' => 0.5
        ]);
        
        $tagsString = $response['choices'][0]['message']['content'];
        $tags = array_map('trim', explode(',', $tagsString));
        
        return $tags;
    }
}

API 端點設計

1. 語義搜尋

POST /api/v1/knowledge/semantic-search
Content-Type: application/json

{
  "query": "如何設定訂閱連結",
  "limit": 10,
  "language": "zh-TW"
}

Response:
{
  "data": [
    {
      "id": 1,
      "title": "訂閱連結設定指南",
      "category": "使用教學",
      "similarity": 0.92,
      "excerpt": "本文介紹如何設定和使用訂閱連結..."
    }
  ]
}

2. AI 問答

POST /api/v1/knowledge/ai-chat
Content-Type: application/json

{
  "question": "訂閱連結在哪裡找？",
  "session_id": "abc123" // 可選，用於多輪對話
}

Response:
{
  "data": {
    "answer": "您可以在個人中心的「訂閱」頁面找到訂閱連結。具體步驟：\n1. 登入帳號\n2. 點選右上角頭像\n3. 選擇「訂閱管理」\n4. 複製訂閱連結",
    "sources": [
      {
        "id": 1,
        "title": "訂閱連結設定指南",
        "url": "/knowledge/1"
      }
    ],
    "session_id": "abc123",
    "helpful": null
  }
}

3. 智能推薦

GET /api/v1/knowledge/recommendations?article_id=1

Response:
{
  "data": [
    {
      "id": 2,
      "title": "客戶端配置教學",
      "reason": "similar_content",
      "similarity": 0.85
    },
    {
      "id": 3,
      "title": "常見問題解答",
      "reason": "popular",
      "view_count": 1250
    }
  ]
}

4. 反饋

POST /api/v1/knowledge/feedback
Content-Type: application/json

{
  "type": "article" | "chat",
  "id": 1,
  "is_helpful": true,
  "comment": "很有幫助！" // 可選
}

Response:
{
  "data": {
    "message": "感謝您的反饋"
  }
}

配置

環境變數

# OpenAI 配置
OPENAI_API_KEY=sk-...
OPENAI_ORGANIZATION=org-...
OPENAI_EMBEDDING_MODEL=text-embedding-3-small
OPENAI_CHAT_MODEL=gpt-4-turbo-preview

# AI 功能開關
AI_KNOWLEDGE_ENABLED=true
AI_SEMANTIC_SEARCH_ENABLED=true
AI_CHAT_ENABLED=true
AI_RECOMMENDATIONS_ENABLED=true

# 限制
AI_CHAT_RATE_LIMIT=10 # 每小時
AI_CHAT_MAX_TOKENS=1000
AI_EMBEDDING_BATCH_SIZE=100

配置文件

// config/ai.php
return [
    'openai' => [
        'api_key' => env('OPENAI_API_KEY'),
        'organization' => env('OPENAI_ORGANIZATION'),
        'embedding_model' => env('OPENAI_EMBEDDING_MODEL', 'text-embedding-3-small'),
        'chat_model' => env('OPENAI_CHAT_MODEL', 'gpt-4-turbo-preview'),
    ],
    
    'knowledge' => [
        'enabled' => env('AI_KNOWLEDGE_ENABLED', true),
        'semantic_search' => env('AI_SEMANTIC_SEARCH_ENABLED', true),
        'chat' => env('AI_CHAT_ENABLED', true),
        'recommendations' => env('AI_RECOMMENDATIONS_ENABLED', true),
        
        'rate_limits' => [
            'chat_per_hour' => env('AI_CHAT_RATE_LIMIT', 10),
            'search_per_minute' => 30,
        ],
        
        'chat' => [
            'max_tokens' => env('AI_CHAT_MAX_TOKENS', 1000),
            'temperature' => 0.7,
            'context_articles' => 3,
        ],
        
        'embedding' => [
            'batch_size' => env('AI_EMBEDDING_BATCH_SIZE', 100),
            'cache_ttl' => 86400 * 7, // 7 days
        ],
    ],
];

成本估算

OpenAI API 成本

Embeddings (text-embedding-3-small):

價格：$0.02 / 1M tokens
假設平均文章 500 tokens
100 篇文章 ≈ 50,000 tokens ≈ $0.001

Chat (gpt-4-turbo-preview):

價格：$0.01 / 1K input tokens, $0.03 / 1K output tokens
假設每次對話：1000 input + 500 output tokens
成本：$0.01 + $0.015 = $0.025 / 次對話
1000 次對話 ≈ $25

月度估算（中小型網站）:

Embeddings 更新：$0.01
AI 對話（1000 次/月）：$25
總計：約 $25-30 / 月

實施計劃

階段 1：基礎設施（1-2 天）

資料庫遷移
OpenAI 服務整合
Embedding 生成服務
Redis 向量儲存

階段 2：核心功能（2-3 天）

語義搜尋實現
AI 問答實現
智能推薦實現
反饋系統

階段 3：前端整合（1-2 天）

搜尋介面升級
AI 聊天介面
推薦卡片
反饋按鈕

階段 4：最佳化（1-2 天）

快取策略
效能最佳化
成本控制
監控和日誌

階段 5：測試和部署（1 天）

功能測試
效能測試
使用者測試
生產部署

監控指標

功能指標

搜尋準確率
AI 回答有幫助率
推薦點擊率
使用者滿意度

技術指標

API 回應時間
Token 使用量
快取命中率
錯誤率

業務指標

知識庫使用率
問題解決率
客服工單減少率
API 成本

未來擴展

1. 多模態支援

圖片理解（GPT-4 Vision）
語音問答
影片內容索引

2. 進階功能

自動生成文章
知識圖譜
個性化學習路徑
多語言自動翻譯

3. 整合

與工單系統整合
與客服系統整合
與使用者行為分析整合

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

AI 智能知識庫設計文檔

概述

架構設計

1. 核心組件

2. 資料庫擴展

功能實現

1. 語義搜尋

2. AI 智能問答

3. 智能推薦

4. 自動標籤生成

API 端點設計

1. 語義搜尋

2. AI 問答

3. 智能推薦

4. 反饋

配置

環境變數

配置文件

成本估算

OpenAI API 成本

實施計劃

階段 1：基礎設施（1-2 天）

階段 2：核心功能（2-3 天）

階段 3：前端整合（1-2 天）

階段 4：最佳化（1-2 天）

階段 5：測試和部署（1 天）

監控指標

功能指標

技術指標

業務指標

未來擴展

1. 多模態支援

2. 進階功能

3. 整合

參考資源

FilesExpand file tree

AI_KNOWLEDGE_BASE.md

Latest commit

History

AI_KNOWLEDGE_BASE.md

File metadata and controls

AI 智能知識庫設計文檔

概述

架構設計

1. 核心組件

2. 資料庫擴展

功能實現

1. 語義搜尋

2. AI 智能問答

3. 智能推薦

4. 自動標籤生成

API 端點設計

1. 語義搜尋

2. AI 問答

3. 智能推薦

4. 反饋

配置

環境變數

配置文件

成本估算

OpenAI API 成本

實施計劃

階段 1：基礎設施（1-2 天）

階段 2：核心功能（2-3 天）

階段 3：前端整合（1-2 天）

階段 4：最佳化（1-2 天）

階段 5：測試和部署（1 天）

監控指標

功能指標

技術指標

業務指標

未來擴展

1. 多模態支援

2. 進階功能

3. 整合

參考資源