xb

AI 应用指南（中文）

本页整合 xb/doc/ai_application/ 旧文档的核心内容，聚焦三种场景：RAG、Agent 工具、以及依赖 xb 的分析仪表盘。

---

1. RAG 流程

1.1 数据处理清单

1. 切片：按 512-1024 token 分段。
2. 嵌入：保存向量、原文、元数据（tenant_id, lang, tags）。
3. 索引：按租户或业务拆分 Qdrant collection。
4. 同步：SQL 与向量库通过 CDC 或异步任务保持一致。

1.2 查询示例

queryVec := embedder.Encode(prompt)

resultsJSON, _ := xb.Of(&DocVector{}).
    Custom(qdrantCustom).
    Eq("tenant_id", tenantID).
    VectorSearch("embedding", queryVec, 8).
    Build().
    JsonOfSelect()

将 resultsJSON 传给 LangChain/LlamaIndex/Semantic Kernel 等框架即可，因为 xb 输出原生 Qdrant JSON。

---

2. Agent 工具

• 工具模式：把常用 builder 预设封装为 agent tool（如 recommend_feed）。
• 守卫：通过 Meta(func) 注入 agent/session ID，在拦截器中执行配额或审计。
• 流式场景：针对 Scroll，使用 ScrollID 分批返回结果。

示例：

func RecommendFeedTool(input RecommendInput) (string, error) {
    json, err := xb.Of(&FeedVector{}).
        Custom(qdrantCustom).
        Eq("tenant_id", input.Tenant).
        VectorSearch("embedding", input.Vector, input.Limit).
        Build().
        JsonOfSelect()
    if err != nil {
        return "", err
    }
    return string(json), nil
}

---

3. 分析仪表盘

即便前端只消费 SQL，也可以借助 xb 统一记录：

• Meta(func) 中写入 TraceID、UserID、Model。
• 注册 AfterBuild 拦截器，将 SQL/JSON 摘要送到观测系统。
• 同时持久化 SqlOfSelect() 与 JsonOfSelect()，方便关联。

---

4. 集成提示

工具链	建议
LangChain	将 xb builder 封成 Runnable，直接返回 JsonOfSelect
LlamaIndex	实现自定义 retriever，使用 xb 生成的 JSON
Semantic Kernel	通过 IQueryFunction 将 xb 调用暴露给技能

---

5. 延伸阅读

• QUICKSTART.md：基础 API
• QDRANT_GUIDE.md：高级向量调用
• VECTOR_GUIDE.md：嵌入与多样性实践
• FILTERING.md：自动过滤机制

如果你有重复可复用的 AI 流程，欢迎在此文件追加案例或提交 PR。

This site is open source. Improve this page.