本篇目标：做一个真正可上线的 AI 智能助手（支持 Agent + RAG + 用户系统 + 流式对话）
最终效果：一个类似 ChatGPT 的 Web 应用（可登录、可聊天、可查知识库）
技术栈：FastAPI + LangGraph + ChromaDB + Vue3 + SQLite/PostgreSQL + Nginx
前置知识：RAG + Agent + LangGraph 基础

---

一、项目我们要做什么？

我们要做一个完整 AI Web 应用，包含：

🤖 1. AI 对话能力（Agent）

• 可以问：
  • 今天北京天气
  • 现在几点
  • 2+3*4是多少
  • 记录一个笔记

---

📚 2. 知识库问答（RAG）

• 上传 PDF / TXT / Word
• AI 可以基于文档回答问题

---

👤 3. 用户系统

• 注册
• 登录
• JWT 鉴权

---

💬 4. 流式对话

• AI 像 ChatGPT 一样“打字输出”

---

📝 5. 对话历史

• 每个用户有自己的聊天记录

---

二、系统整体架构（先建立全局认知）

前端 Vue3
   ↓ HTTP / SSE
FastAPI 后端
   ↓
┌─────────────────────────────┐
│   Agent系统（LangGraph）     │
│   RAG系统（ChromaDB）        │
│   用户系统（JWT）            │
└─────────────────────────────┘
   ↓
SQLite / PostgreSQL + 向量数据库

---

三、项目初始化

3.1 创建项目

mkdir ai-assistant
cd ai-assistant

mkdir backend frontend

---

3.2 后端安装依赖

cd backend

pip install fastapi uvicorn sqlalchemy python-jose passlib bcrypt \
    python-multipart langchain langgraph chromadb \
    langchain-openai pypdf2 python-docx

---

3.3 requirements.txt

fastapi
uvicorn
sqlalchemy
python-jose[cryptography]
passlib[bcrypt]
python-multipart
langchain
langgraph
chromadb
langchain-openai
pypdf2
python-docx

---

四、后端基础搭建

---

4.1 项目结构

backend/
├── main.py
├── database.py
├── models.py
├── auth.py
├── config.py
├── agent/
├── rag/

---

五、基础配置

5.1 config.py

import os
from dotenv import load_dotenv

load_dotenv()

DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY", "")
DEEPSEEK_BASE_URL = "https://api.deepseek.com"
MODEL_NAME = "deepseek-chat"

SECRET_KEY = os.getenv("SECRET_KEY")
ALGORITHM = "HS256"
ACCESS_TOKEN_EXPIRE_MINUTES = 60 * 24

DATABASE_URL = "sqlite:///./app.db"
CHROMA_PATH = "./chroma_db"

---

六、数据库设计

6.1 为什么要用数据库？

因为我们要保存：

• 用户
• 对话
• 消息历史

---

6.2 models.py

from sqlalchemy import Column, Integer, String, DateTime, ForeignKey, Text
from sqlalchemy.orm import relationship
from datetime import datetime
from database import Base

class User(Base):
    __tablename__ = "users"

    id = Column(Integer, primary_key=True)
    username = Column(String, unique=True)
    hashed_password = Column(String)

    conversations = relationship("Conversation", back_populates="user")


class Conversation(Base):
    __tablename__ = "conversations"

    id = Column(Integer, primary_key=True)
    user_id = Column(Integer, ForeignKey("users.id"))
    title = Column(String, default="新对话")

    messages = Column(Text, default="[]")  # 简化存储

    user = relationship("User", back_populates="conversations")

---

七、JWT用户系统

7.1 功能

• 注册
• 登录
• token鉴权

---

7.2 核心代码（auth.py）

from jose import jwt
from passlib.context import CryptContext
from datetime import datetime, timedelta

pwd_context = CryptContext(schemes=["bcrypt"])

SECRET_KEY = "secret"
ALGORITHM = "HS256"

def hash_password(pwd):
    return pwd_context.hash(pwd)

def verify_password(pwd, hashed):
    return pwd_context.verify(pwd, hashed)


def create_token(user_id):
    expire = datetime.utcnow() + timedelta(days=1)
    return jwt.encode({"sub": str(user_id), "exp": expire}, SECRET_KEY, algorithm=ALGORITHM)

---

八、FastAPI主入口

8.1 main.py（核心）

from fastapi import FastAPI, Depends
from fastapi.middleware.cors import CORSMiddleware
from database import Base, engine

Base.metadata.create_all(bind=engine)

app = FastAPI()

app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],
    allow_methods=["*"],
    allow_headers=["*"]
)

---

九、Agent系统（核心）

9.1 我们要做什么？

让 AI 能：

• 自动选择工具
• 自动调用函数
• 自动返回结果

---

9.2 tools.py

from langchain_core.tools import tool
from datetime import datetime

@tool
def get_time():
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")


@tool
def calculator(expr: str):
    try:
        return str(eval(expr))
    except:
        return "计算错误"

---

9.3 Agent创建

from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI

def create_agent():
    llm = ChatOpenAI(model="deepseek-chat", streaming=True)

    return create_react_agent(
        model=llm,
        tools=[get_time, calculator]
    )

---

十、RAG知识库系统

---

10.1 目标

让 AI 可以读 PDF 并回答问题

---

10.2 文档加载

from PyPDF2 import PdfReader

def load_pdf(path):
    reader = PdfReader(path)
    return "\n".join([p.extract_text() for p in reader.pages])

---

10.3 向量数据库

from langchain_chroma import Chroma

vectorstore = Chroma(
    persist_directory="./chroma_db"
)

---

10.4 RAG核心流程

文档 → 切分 → 向量化 → 存储 → 检索 → LLM回答

---

十一、API接口设计

---

11.1 登录

@app.post("/login")
def login():
    return {"token": "xxx"}

---

11.2 聊天接口

@app.post("/chat")
def chat():
    return StreamingResponse(stream())

---

11.3 流式输出

def stream():
    yield "data: hello\n\n"

---

十二、前端 Vue3

---

12.1 页面结构

LoginView
ChatView

---

12.2 聊天核心逻辑

fetch("/chat").then(res => {
  const reader = res.body.getReader()
})

---

12.3 UI能力

• Markdown渲染
• 实时输出
• 对话列表

---

十三、知识库上传

@app.post("/upload")
async def upload(file: UploadFile):
    content = await file.read()

---

十四、运行项目

后端

uvicorn main:app --reload

---

前端

npm run dev

---

十五、部署上线

Nginx

Vue3 → 静态文件
API → FastAPI

---

HTTPS

certbot --nginx

---

十六、本项目你真正学到的东西

技术能力

• FastAPI后端开发
• JWT认证系统
• Agent（LangGraph）
• RAG知识库系统
• SSE流式通信
• Vue3前端开发

---

工程能力

• 前后端分离
• 模块化设计
• AI系统集成
• 简易生产部署

---

下一篇预告

第八篇章：进阶视野 & 面试准备——模型微调概览、多模态入门、MCP 协议、RAG/Agent 面试高频考点、八篇章结业总结。