基于RAG与PostgreSQL构建法律AI咨询平台：从原理到工程实践

如果你正在开发一个法律咨询类应用或者任何需要处理专业领域知识问答的系统你很可能面临一个核心矛盾大模型LLM的通用对话能力很强但它对特定领域的、最新的、精确的知识往往“力不从心”。它可能会“一本正经地胡说八道”或者给出过时、笼统的建议这在法律、医疗等严肃领域是致命的。这正是“检索增强生成”RAG技术要解决的核心问题。而今天我们要讨论的是如何将一个听起来很前沿的“RAGLLM”架构落地成一个真实可用的“法律援助在线咨询平台”。这个平台的核心技术栈非常明确PostgreSQL及其向量扩展 pgvector负责存储和检索法律知识LLM 负责理解和生成回答WebSocket 负责实现流畅的即时通讯体验。很多人一听到“AI法律平台”就觉得是噱头或者认为技术门槛高不可攀。但我想告诉你的是这个组合的真正价值在于它用相对成熟的技术系统性地解决了专业领域AI应用的“知识准确性”和“交互实时性”两大难题。你不是在做一个玩具而是在构建一个能真正减轻律师重复劳动、为公众提供初步法律指引的实用工具。本文将带你从零开始深入拆解这个平台的每一个技术环节。你会看到RAG检索增强生成如何让大模型“学会翻书”而不是凭记忆瞎编。PostgreSQL pgvector如何成为一个强大、开源且易于管理的“向量数据库”替代那些独立的向量数据库组件。WebSocket如何为AI对话提供类似微信的即时交互体验避免传统HTTP轮询的延迟和资源浪费。如何将这些技术无缝集成形成一个稳定、可扩展的后端服务。我们不止讲“是什么”更会聚焦“为什么”和“怎么做”并提供完整的代码示例和避坑指南。无论你是想学习现代AI应用开发还是正着手规划一个类似的项目这篇文章都将为你提供一条清晰的实践路径。1. 核心问题为什么是“检索增强”而不是“直接提问”在开始技术细节之前我们必须先理解为什么要采用“检索增强生成”Retrieval-Augmented Generation, RAG架构。这是决定项目成败的首要判断。想象一个场景用户问“我在上海公司无理由裁员应该怎么赔偿”直接提问LLM如ChatGPT它可能基于训练数据中的通用劳动法知识给出回答但很可能无法引用最新的《上海市劳动合同条例》具体条款或者对“经济补偿金”计算基数的本地化实践不够精确。更危险的是它可能完全捏造一个不存在的法条。RAG流程系统会首先将用户问题转化为一个向量然后在你的“法律知识库”存储了各类法律法规、案例、司法解释的向量数据库中搜索与之最相关的几个知识片段。接着将这些片段作为“参考资料”和用户问题一起提交给LLM并指令它“请根据以下法律条文和案例回答用户的问题。”这样LLM的答案就有了可靠的依据。RAG解决了三个关键痛点知识更新滞后LLM的训练数据有截止日期。而法律法规会更新司法解释会出台。RAG允许你随时向知识库添加最新文件模型就能立即基于最新资料回答。减少“幻觉”通过提供确切的参考来源极大地约束了LLM的发挥空间要求其答案必须紧扣提供的材料从而生成更准确、更可信的内容。保护私有数据你可以将内部的案件摘要、未公开的咨询记录等私有数据存入知识库而无需将这些敏感数据送去训练LLM。LLM只是在推理时临时使用它们。所以对于法律咨询平台RAG不是“可选项”而是“必选项”。它奠定了整个系统专业性和可靠性的基础。2. 技术栈选型与核心原理明确了RAG的核心地位后我们来看具体的技术选型。标题中的“PostgreSQL 检索增强 × LLM大模型 × WebSocket即时通讯 向量数据库”已经给出了答案但我们需要深入理解每个组件的角色和它们如何协同工作。2.1 组件职责与协作流程下图展示了平台的核心数据流与组件交互flowchart TD A[用户提问] -- B[WebSocket连接] B -- C[后端服务brSpring Boot/Flask] C -- D{问题处理} D --|文本向量化| E[Embedding 模型] E -- F[生成问题向量] F -- G[向量相似度检索] G -- H[PostgreSQL pgvectorbr法律知识库] H -- I[返回Top K相关法律条文] I -- J[构建增强提示词] J -- K[调用 LLM 大模型] K -- L[生成基于法条的答案] L -- M[通过WebSocketbr流式/非流式返回] M -- N[用户收到答案] C -- O[知识库管理后台] O -- P[上传/处理法律文档] P -- Q[文档切分与向量化] Q -- H流程解读用户交互层用户通过网页或App发起咨询与后端建立WebSocket长连接实现实时对话。请求处理与检索后端服务收到用户问题后首先通过Embedding模型如text-embedding-ada-002将问题文本转化为数值向量。然后使用这个向量在PostgreSQL的pgvector扩展中查询最相似的若干条法律知识片段即“检索”。增强生成将检索到的相关法律条文作为上下文和原始用户问题共同构造成一个详细的提示词Prompt发送给LLM如GPT-4、ChatGLM、文心一言等。LLM基于这些“参考资料”生成最终答案。响应返回生成的答案通过WebSocket连接实时返回给用户前端完成一次咨询。2.2 为什么选择 PostgreSQL pgvector市面上有专门的向量数据库如Milvus, Pinecone, Weaviate。选择PostgreSQL的pgvector扩展主要基于以下几点考虑技术栈统一你的系统很可能已经使用了PostgreSQL存储用户信息、咨询记录等结构化数据。引入pgvector意味着你不需要维护另一套独立的数据库系统降低了运维复杂度。ACID保证与成熟生态PostgreSQL提供完整的事务支持ACID确保知识库更新和检索过程的数据一致性。其备份、监控、连接池等工具生态极其成熟。足够的性能对于中小规模的法律知识库百万级向量以内pgvector的性能完全足够。它支持IVFFlat、HNSW等索引算法可以有效加速相似性搜索。成本与可控性完全开源无需为云服务付费。数据完全自主可控对于法律这类敏感数据尤为重要。简单对比特性PostgreSQL pgvector独立向量数据库 (如 Milvus)架构复杂度低单一数据库高需独立部署维护事务支持完整ACID通常较弱或没有查询能力SQL 向量检索可联合查询结构化数据主要为向量检索运维成本低复用现有DBA技能较高需要学习新系统极致性能中等满足大多数场景高为海量向量优化适用场景中等规模知识库强事务需求超大规模向量搜索纯检索场景对于我们的法律援助平台知识库规模在初期和中期是可预见的且对数据一致性和系统简洁性要求高因此PostgreSQL pgvector 是更务实、更优雅的选择。2.3 WebSocket 的必要性传统的HTTP请求-响应模式在AI对话中体验很差用户需要等待整个答案生成完毕才能看到结果如果生成时间长页面就像“卡死”一样。WebSocket提供了全双工通信通道使得服务器可以随时主动向客户端推送数据。结合LLM的流式输出StreamingAPI可以实现逐词或逐句的实时显示就像真正的聊天一样极大地提升了用户体验和感知速度。3. 环境准备与项目初始化在开始编码前我们需要搭建好基础环境。这里假设你使用Python作为后端主要语言因其在AI生态中的优势但核心思想同样适用于Java/Spring Boot等栈。3.1 基础环境清单操作系统Linux (Ubuntu 20.04/22.04), macOS, 或 WSL2 (Windows)Python版本 3.9 或 3.10PostgreSQL版本 12 或更高必须Docker(可选但强烈推荐用于环境隔离)3.2 PostgreSQL 与 pgvector 安装配置这是最关键的步骤。以下以Ubuntu系统为例。步骤1安装PostgreSQLsudo apt update sudo apt install postgresql postgresql-contrib步骤2安装pgvector扩展pgvector需要从源码编译。首先安装构建依赖然后克隆代码编译安装。# 安装构建依赖 sudo apt install build-essential postgresql-server-dev-14 # 请根据你的PG版本调整数字 # 克隆pgvector仓库 git clone --branch v0.5.1 https://github.com/pgvector/pgvector.git cd pgvector # 编译并安装 make sudo make install # 将扩展安装到PostgreSQL的共享目录步骤3在数据库中启用扩展登录到PostgreSQL在你项目要用的数据库中创建扩展。sudo -u postgres psql-- 创建一个专门用于本项目的数据库 CREATE DATABASE legal_ai_assistant; -- 连接到这个数据库 \c legal_ai_assistant; -- 启用pgvector扩展 CREATE EXTENSION IF NOT EXISTS vector; -- 验证扩展是否安装成功 SELECT * FROM pg_extension WHERE extname vector;如果查询结果中看到vector扩展说明安装成功。3.3 Python 虚拟环境与依赖包创建一个干净的Python环境来管理项目依赖。# 创建项目目录 mkdir legal-ai-assistant cd legal-ai-assistant # 创建虚拟环境 python3 -m venv venv # 激活虚拟环境 source venv/bin/activate # Linux/macOS # venv\Scripts\activate # Windows # 安装核心依赖 pip install --upgrade pip pip install fastapi uvicorn websockets sqlalchemy psycopg2-binary pgvector asyncpg openai langchain langchain-openai sentence-transformers依赖包说明fastapiuvicorn: 现代、高性能的Python Web框架和ASGI服务器。websockets: 用于处理WebSocket连接。sqlalchemy: Python SQL工具包和ORM。psycopg2-binaryasyncpg: PostgreSQL驱动。pgvector: pgvector的Python客户端。openai: OpenAI官方库如果使用GPT系列模型。langchainlangchain-openai: LangChain框架它提供了大量RAG相关的工具链能极大简化开发。我们主要利用其文档加载、文本分割、检索链等组件。sentence-transformers: 用于本地运行Embedding模型如all-MiniLM-L6-v2避免完全依赖OpenAI的Embedding API节省成本并提升隐私性。4. 核心模块设计与实现接下来我们按照数据流的顺序实现各个核心模块。4.1 数据结构设计法律知识库表首先在PostgreSQL中设计存储法律知识的表。每条知识包含原始文本、对应的向量以及一些元数据。-- 在 legal_ai_assistant 数据库中执行 CREATE TABLE legal_knowledge ( id BIGSERIAL PRIMARY KEY, content TEXT NOT NULL, -- 法律知识文本内容 embedding vector(1536), -- 向量维度需与Embedding模型输出维度一致。例如OpenAI text-embedding-3-small是1536维。 metadata JSONB, -- 存储元数据如法律名称、条目、颁布日期、来源URL等 created_at TIMESTAMP WITH TIME ZONE DEFAULT NOW() ); -- 为embedding列创建HNSW索引以加速相似性搜索 CREATE INDEX ON legal_knowledge USING hnsw (embedding vector_cosine_ops);注意向量维度必须与你选用的Embedding模型输出维度匹配。HNSW索引能显著提升相似性搜索速度尤其是在数据量较大时。4.2 知识库灌入文档处理与向量化法律知识通常来源于PDF、DOCX、TXT等格式的文档。我们需要一个流程将这些非结构化文档存入数据库。我们使用LangChain来简化这个过程。创建一个脚本ingest_docs.py# ingest_docs.py import os from langchain_community.document_loaders import DirectoryLoader, TextLoader, PyPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_community.embeddings import OpenAIEmbeddings, SentenceTransformerEmbeddings from langchain_community.vectorstores import PGVector from langchain.schema import Document from dotenv import load_dotenv import asyncio load_dotenv() # 加载环境变量如OPENAI_API_KEY, DATABASE_URL async def main(): # 1. 加载文档 # 假设法律文档放在 ./data/laws 目录下 loader DirectoryLoader( ./data/laws, glob**/*.pdf, # 可以加载多种格式 loader_clsPyPDFLoader, show_progressTrue ) raw_documents loader.load() print(fLoaded {len(raw_documents)} documents.) # 2. 分割文本 # 法律条文通常较长需要切分成适合检索的片段 text_splitter RecursiveCharacterTextSplitter( chunk_size1000, # 每个片段约1000字符 chunk_overlap200, # 片段间重叠200字符保持上下文 separators[\n\n, \n, 。, , , , ] ) documents text_splitter.split_documents(raw_documents) print(fSplit into {len(documents)} chunks.) # 3. 选择Embedding模型 # 方案A: 使用OpenAI Embedding API (需要API Key精度高) # embeddings OpenAIEmbeddings(modeltext-embedding-3-small) # 方案B: 使用本地SentenceTransformer模型 (免费隐私好) embeddings SentenceTransformerEmbeddings(model_nameall-MiniLM-L6-v2) # 4. 连接PostgreSQL并存储向量 # 数据库连接字符串格式: postgresql://username:passwordlocalhost:5432/database_name CONNECTION_STRING os.getenv(DATABASE_URL, postgresql://postgres:yourpasswordlocalhost:5432/legal_ai_assistant) COLLECTION_NAME legal_documents_collection # 使用PGVector的from_documents方法它会自动创建表如果不存在并插入数据 await PGVector.afrom_documents( embeddingembeddings, documentsdocuments, collection_nameCOLLECTION_NAME, connection_stringCONNECTION_STRING, async_modeTrue, # 使用异步模式 pre_delete_collectionFalse, # 是否在导入前清空集合 ) print(Documents ingested and vectorized successfully!) if __name__ __main__: asyncio.run(main())运行此脚本前请确保将法律文档放入./data/laws目录。在项目根目录创建.env文件配置DATABASE_URL和OPENAI_API_KEY如果使用OpenAI Embedding。安装所需依赖pip install pypdf langchain-community。这个脚本完成了从文档加载、文本分割、向量化到存入PostgreSQL的完整流水线。4.3 后端服务搭建FastAPI WebSocket现在我们构建处理用户咨询请求的后端API。创建main.py# main.py from fastapi import FastAPI, WebSocket, WebSocketDisconnect from langchain_community.vectorstores import PGVector from langchain_community.embeddings import SentenceTransformerEmbeddings from langchain_openai import ChatOpenAI from langchain.chains import RetrievalQA from langchain.prompts import PromptTemplate import os from dotenv import load_dotenv import json import asyncio load_dotenv() app FastAPI(titleLegal AI Assistant API) # 初始化全局组件生产环境应考虑更优雅的生命周期管理 CONNECTION_STRING os.getenv(DATABASE_URL) COLLECTION_NAME legal_documents_collection embeddings SentenceTransformerEmbeddings(model_nameall-MiniLM-L6-v2) # 初始化向量存储连接 vector_store PGVector( collection_nameCOLLECTION_NAME, connection_stringCONNECTION_STRING, embedding_functionembeddings, ) # 初始化LLM (这里以OpenAI GPT-3.5-turbo为例可替换为其他LLM) llm ChatOpenAI( modelgpt-3.5-turbo, temperature0.1, # 温度调低使输出更确定、更专业 streamingTrue, # 启用流式输出 openai_api_keyos.getenv(OPENAI_API_KEY) ) # 构建一个针对法律咨询优化的提示词模板 PROMPT_TEMPLATE 你是一个专业的法律AI助手请严格根据以下提供的法律知识来回答问题。 如果提供的知识不足以回答请明确告知用户“根据现有资料无法回答此问题”不要编造信息。 相关法律知识 {context} 用户问题{question} 请给出专业、清晰、有条理的法律建议并尽可能引用相关条文。 回答 PROMPT PromptTemplate( templatePROMPT_TEMPLATE, input_variables[context, question] ) # 创建检索式问答链 qa_chain RetrievalQA.from_chain_type( llmllm, chain_typestuff, # 将检索到的所有文档“塞”进上下文 retrievervector_store.as_retriever(search_kwargs{k: 4}), # 检索最相关的4个片段 chain_type_kwargs{prompt: PROMPT}, return_source_documentsTrue, # 返回源文档便于前端展示引用来源 ) app.websocket(/ws/consult) async def websocket_endpoint(websocket: WebSocket): await websocket.accept() try: while True: # 接收用户消息 data await websocket.receive_text() user_message json.loads(data).get(message, ) if not user_message: continue # 1. 通过RAG链获取答案 # 注意这里为了演示使用了同步的qa_chain。在生产环境中应考虑异步化或使用线程池。 result qa_chain.invoke({query: user_message}) answer result[result] source_docs result[source_documents] # 2. 构建响应包含答案和引用来源 response { type: answer, content: answer, sources: [doc.page_content[:200] ... for doc in source_docs] # 截取部分内容 } # 发送完整答案 await websocket.send_text(json.dumps(response, ensure_asciiFalse)) # 3. (可选) 流式输出示例 # 如果LLM支持流式且前端需要逐词显示可以这样处理 # async for chunk in qa_chain.astream({query: user_message}): # if result in chunk: # await websocket.send_text(json.dumps({type: chunk, content: chunk[result]})) except WebSocketDisconnect: print(Client disconnected) except Exception as e: print(fWebSocket error: {e}) await websocket.close(code1011) app.get(/) async def root(): return {message: Legal AI Assistant Backend is running.} if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)4.4 前端简易示例HTML JavaScript为了测试我们可以创建一个简单的前端页面index.html!DOCTYPE html html langzh-CN head meta charsetUTF-8 title法律援助AI咨询平台/title style body { font-family: sans-serif; max-width: 800px; margin: 40px auto; } #chatbox { border: 1px solid #ccc; height: 400px; overflow-y: scroll; padding: 10px; margin-bottom: 10px; } .user { text-align: right; color: blue; } .bot { text-align: left; color: green; } .source { font-size: 0.8em; color: #666; border-left: 3px solid #eee; padding-left: 10px; margin-top: 5px; } #inputArea { display: flex; } #messageInput { flex-grow: 1; padding: 10px; } button { padding: 10px 20px; } /style /head body h2法律援助AI咨询平台/h2 div idchatbox/div div idinputArea input typetext idmessageInput placeholder请输入您的法律问题... / button onclicksendMessage()发送/button /div script const ws new WebSocket(ws://${window.location.hostname}:8000/ws/consult); const chatbox document.getElementById(chatbox); const messageInput document.getElementById(messageInput); ws.onopen () { appendMessage(系统, 连接已建立可以开始咨询。, bot); }; ws.onmessage (event) { const data JSON.parse(event.data); if (data.type answer) { appendMessage(AI助手, data.content, bot); if (data.sources data.sources.length 0) { const sourceDiv document.createElement(div); sourceDiv.className source; sourceDiv.innerHTML strong参考依据/strongbr data.sources.join(br); chatbox.appendChild(sourceDiv); } } }; ws.onerror (error) { console.error(WebSocket error:, error); appendMessage(系统, 连接出现错误请刷新页面。, bot); }; function sendMessage() { const message messageInput.value.trim(); if (!message) return; appendMessage(我, message, user); ws.send(JSON.stringify({ message: message })); messageInput.value ; } function appendMessage(sender, text, className) { const msgDiv document.createElement(div); msgDiv.className className; msgDiv.innerHTML strong${sender}:/strong ${text}; chatbox.appendChild(msgDiv); chatbox.scrollTop chatbox.scrollHeight; } messageInput.addEventListener(keypress, (e) { if (e.key Enter) sendMessage(); }); /script /body /html5. 运行与测试启动后端服务# 在项目根目录下确保虚拟环境已激活 uvicorn main:app --reload --host 0.0.0.0 --port 8000服务将在http://localhost:8000启动。访问http://localhost:8000/docs可以看到自动生成的API文档。访问前端页面将index.html放在一个静态文件服务器下或者直接用浏览器打开注意直接打开文件时WebSocket连接可能会因跨域问题失败建议使用简单的HTTP服务器。# 使用Python启动一个简单的HTTP服务器在index.html所在目录 python -m http.server 8080然后访问http://localhost:8080。进行测试在输入框中提问例如“试用期被辞退有补偿吗”观察后端日志看检索和生成过程。前端应能接收到AI的回答并显示引用的法律条文片段。6. 常见问题与排查思路在开发和部署过程中你可能会遇到以下典型问题问题现象可能原因排查方式解决方案启动服务时报错pgvector扩展不存在1. pgvector未在目标数据库安装。2. 连接到了错误的数据库。1. 登录PostgreSQL执行CREATE EXTENSION vector;。2. 检查DATABASE_URL中的数据库名。确保在正确的数据库中创建了扩展。文档灌入时速度极慢1. 使用OpenAI Embedding API网络请求慢或有速率限制。2. 本地Embedding模型首次加载慢。3. 文档过大或分割过多。1. 查看网络请求日志。2. 监控CPU/GPU使用率。3. 统计文档数量和大小。1. 考虑使用本地Embedding模型如SentenceTransformer。2. 调整文本分割参数避免过小的片段。3. 批量处理并添加进度提示。WebSocket连接失败1. 后端服务未运行或端口被占用。2. 前端WebSocket地址错误。3. 防火墙或网络策略阻止。1. 检查uvicorn进程是否运行。2. 浏览器开发者工具查看Network标签页的WebSocket连接状态。3. 使用curl或wscat测试WebSocket端点。1. 确认后端服务地址和端口。2. 前端JS中WebSocket URL改为ws://localhost:8000/ws/consult如果前后端同域。3. 配置CORS如果前后端分离。在FastAPI中添加CORS中间件。AI回答质量差胡编乱造1. 检索到的知识片段不相关。2. 提示词Prompt设计不佳。3. LLM温度temperature参数过高。1. 检查向量检索结果看返回的source_documents是否与问题相关。2. 审查提示词模板是否明确要求“根据提供知识回答”。3. 尝试降低LLM的temperature值。1. 优化检索调整search_kwargs如增加k值尝试不同相似度算法如余弦相似度、内积。2. 强化提示词在Prompt中明确指令并加入“如果不知道就说不知道”的约束。3. 使用更强大的LLM如GPT-4。响应速度慢1. Embedding模型推理慢。2. 向量检索未使用索引或索引效率低。3. LLM API调用延迟高。1. 使用性能分析工具如cProfile定位瓶颈。2. 在PostgreSQL中分析查询计划EXPLAIN ANALYZE。3. 检查网络延迟。1. 考虑使用更轻量的Embedding模型或对Embedding进行缓存。2. 确保对embedding列创建了HNSW或IVFFlat索引。3. 对于LLM调用考虑异步化或使用更快的模型。7. 最佳实践与进阶优化一个基础的平台搭建完成后要投入实际使用还需要考虑以下方面7.1 知识库质量与维护数据清洗原始法律文档可能包含页眉、页脚、无关注释需要在灌入前进行清洗。元数据丰富在metadata字段中详细记录法条名称、颁布单位、生效日期、修订历史等便于后续按条件过滤检索。版本管理法律会修订。设计知识条目的版本字段能够查询特定时间点生效的法律。定期更新建立自动化或半自动化的流程定期抓取或导入最新的法律法规。7.2 检索策略优化混合检索结合向量检索语义相似和关键词检索如BM25可以兼顾语义理解和精确术语匹配。LangChain支持EnsembleRetriever。重排序初步检索出较多结果如20条后使用一个更精细的模型如交叉编码器对结果进行重排序只将Top K条最相关的送给LLM提升效果并节省上下文窗口。元数据过滤允许用户或系统在检索时添加过滤器例如“仅检索《劳动合同法》中的内容”。7.3 系统性能与可扩展性异步化将耗时的I/O操作如LLM API调用、数据库查询全部改为异步使用async/await可以大幅提高WebSocket服务的并发能力。上文示例中的qa_chain.invoke是同步的在生产中应使用LangChain的异步方法或将其放入线程池。缓存对常见的、不变的问题的Embedding结果或最终答案进行缓存如使用Redis可以极大减少重复计算和LLM调用。索引优化随着向量数量增长定期评估和调整pgvector的索引参数如HNSW的m和ef_construction。服务解耦将Embedding服务、向量检索服务、LLM网关服务拆分为独立的微服务便于独立扩缩容。7.4 安全与合规输入输出过滤对用户输入和LLM输出进行内容安全过滤防止生成有害或违法内容。访问控制为WebSocket连接和API接口添加认证如JWT确保只有授权用户可以使用服务。数据隐私如果使用第三方LLM API如OpenAI需仔细阅读其数据政策。对于高度敏感的法律案件细节考虑使用本地部署的开源模型如ChatGLM3、Qwen。审计日志记录所有的用户咨询和AI回答便于追溯和模型效果评估。7.5 用户体验提升流式输出如前文代码注释所示实现真正的逐词流式输出让用户感知更快。引用高亮在前端将答案中引用的法律条文部分高亮显示并支持点击查看原文出处。多轮对话维护对话历史使AI能理解上下文。这需要将历史对话也纳入检索范围或LLM的上下文窗口。答案置信度让模型输出其对答案的置信度并在前端给予提示例如“此回答基于相关法律条文仅供参考不构成正式法律意见”。通过以上步骤你不仅搭建了一个可运行的原型更获得了一个具备生产环境潜力的“基于AILLM的法律援助在线咨询平台”的技术骨架。这个项目的核心价值在于它清晰地展示了一条将前沿AI技术LLM、RAG与经典、稳健的后端技术PostgreSQL、WebSocket相结合来解决实际领域问题的工程化路径。你可以在此基础上根据具体的业务需求、性能要求和合规标准进行深化和定制。