AIRegulation-DocAnalysis/QUICK_DEPLOY.md

AI+合规智能中枢 - 快速部署指南

系统要求

• Python 3.10+
• Docker & Docker Compose
• 8GB+ 内存（推荐16GB）
• 20GB+ 磁盘空间

---

一、环境准备

1. 克隆项目

git clone <project_url>
cd Demo-glm

2. 配置环境变量

# 复制配置模板
cp .env.example .env

# 编辑配置文件，填入API密钥
vim .env

必填配置项：

# LLM配置（使用统一API代理）
LLM_PROVIDER=qwen
LLM_MODEL=qwen3.5-plus

# API密钥（通过 new-api.fletcher0516.online 代理）
QWEN_API_KEY=your_api_key_here
DEEPSEEK_API_KEY=your_api_key_here
QWEN_BASE_URL=https://new-api.fletcher0516.online/v1
DEEPSEEK_BASE_URL=https://new-api.fletcher0516.online/v1

---

二、启动基础设施

1. 启动Docker服务

cd docker
docker-compose up -d

等待服务启动完成（约30秒）。

2. 验证服务状态

docker ps

确认以下容器运行正常：

• milvus - 向量数据库
• minio - 对象存储
• redis - 缓存服务
• postgres - 关系数据库

---

三、安装Python依赖

方式A：使用统一初始化脚本（推荐）

chmod +x dev.sh
./dev.sh setup

脚本自动完成：

• 创建虚拟环境
• 安装依赖（使用阿里云镜像）
• 检查各服务连接状态

方式B：手动安装

# 创建虚拟环境
python3 -m venv .venv
source .venv/bin/activate

# 安装依赖
pip install -r backend/requirements.txt

---

四、配置解析与 embedding

当前主链路不再依赖本地 BGE-M3 模型文件，必须配置：

ALIBABA_ACCESS_KEY_ID=your_aliyun_access_key_id
ALIBABA_ACCESS_KEY_SECRET=your_aliyun_access_key_secret
EMBEDDING_API_KEY=your_embedding_api_key_here
EMBEDDING_MODEL=text-embedding-v3
EMBEDDING_DIM=1024
PARSER_BACKEND=aliyun
CHUNK_BACKEND=aliyun
PARSER_FAILURE_MODE=fail

---

五、启动服务

统一命令入口（推荐）

# 赋予脚本执行权限
chmod +x dev.sh

# 启动所有服务（API + 前端）
./dev.sh start

# 查看服务状态
./dev.sh status

# 重启所有服务
./dev.sh restart

# 停止所有服务
./dev.sh stop

单独启动（可选）

# 仅启动API服务（前台运行，可调试）
./dev.sh start api --foreground

# 仅启动API服务（后台运行）
./dev.sh start api

# 仅停止API服务
./dev.sh stop api

# 仅启动前端服务（Vite 开发模式）
./dev.sh start frontend --mode dev

# 仅启动前端服务（静态构建模式）
./dev.sh start frontend --mode static

---

六、服务访问地址

启动成功后访问：

服务	地址
API服务	http://localhost:8000
API文档	http://localhost:8000/docs
健康检查	http://localhost:8000/health
前端测试页面	http://localhost:5173

注意：前端默认通过 http://localhost:5173 访问，自动代理到 API 服务。

---

七、功能测试

1. 上传文档测试

curl -X POST http://localhost:8000/api/v1/documents/upload \
  -F "file=@test.pdf" \
  -F "doc_name=测试文档"

文档上传后会自动存储到MinIO对象存储（bucket: upload-files）。

2. 下载文档测试

# 下载已上传的文档
curl -O http://localhost:8000/api/v1/documents/download/{doc_id}

3. 检索测试

curl -X POST http://localhost:8000/api/v1/knowledge/search \
  -H "Content-Type: application/json" \
  -d '{"query": "机动车安全", "top_k": 10}'

3. 智能问答测试

curl -X POST http://localhost:8000/api/v1/agent/ask \
  -H "Content-Type: application/json" \
  -d '{"query": "机动车安全技术检验有哪些要求？"}'

4. 多轮对话测试

curl -X POST http://localhost:8000/api/v1/agent/chat \
  -H "Content-Type: application/json" \
  -d '{"query": "什么是机动车安全技术检验？"}'

# 返回 session_id，继续对话
curl -X POST http://localhost:8000/api/v1/agent/chat \
  -H "Content-Type: application/json" \
  -d '{"query": "检验周期是多久？", "session_id": "<session_id>"}'

---

八、脚本命令速查表

操作	命令
启动所有服务	./dev.sh start
停止所有服务	./dev.sh stop
重启所有服务	./dev.sh restart
查看服务状态	./dev.sh status
查看API日志	tail -f logs/api.log
查看前端日志	tail -f logs/frontend.log
环境初始化	./dev.sh setup
前台调试 API	./dev.sh start api --foreground
静态模式启动前端	./dev.sh start frontend --mode static
重启Docker	cd docker && docker-compose restart
下载嵌入模型	./download_model.sh

---

九、Linux / Windows 命令对照表

操作	Linux / macOS	Windows
环境初始化	./dev.sh setup	dev.bat setup
启动所有服务	./dev.sh start	dev.bat start
停止所有服务	./dev.sh stop	dev.bat stop
重启所有服务	./dev.sh restart	dev.bat restart
查看服务状态	./dev.sh status	dev.bat status
前台调试 API	./dev.sh start api --foreground	dev.bat start api --foreground
后台启动 API	./dev.sh start api	dev.bat start api
启动前端开发模式	./dev.sh start frontend --mode dev	dev.bat start frontend --mode dev
启动前端静态模式	./dev.sh start frontend --mode static	dev.bat start frontend --mode static
查看 API 日志	./dev.sh logs api --follow	dev.bat logs api --follow
查看前端日志	./dev.sh logs frontend --follow	dev.bat logs frontend --follow

Linux / macOS 首次使用前建议先执行：chmod +x dev.sh

---

十、服务状态检查

运行状态检查脚本：

./dev.sh status

输出示例：

========================================
  AI+合规智能中枢 - 服务状态
========================================

API服务:
  状态:   运行中 ✓
  PID:    12345
  健康检查: 正常 ✓
  地址:    http://localhost:8000

前端服务:
  状态:   运行中 ✓
  PID:    12346
  地址:    http://localhost:5173

Docker服务:
  milvus:  运行中 ✓
  minio:   运行中 ✓
  redis:   运行中 ✓
  postgres: 运行中 ✓

========================================
  所有服务正常运行 ✓
========================================

---

十一、常见问题

Q1: Milvus连接失败

# 检查Milvus状态
docker logs milvus

# 重启Milvus
docker restart milvus

# 等待30秒后再启动服务

Q2: 模型下载慢/失败

使用ModelScope镜像：

export HF_ENDPOINT=https://hf-mirror.com

或手动下载：

当前版本无需下载本地 BGE-M3 模型；请改为确认 `EMBEDDING_API_KEY` 与阿里云文档解析凭据已配置。

Q3: LLM调用失败

检查 .env 中API密钥配置：

# 验证配置
cat .env | grep API_KEY

# 确保base_url正确
cat .env | grep BASE_URL

Q4: 端口被占用

修改 .env 中的端口配置：

API_PORT=8001
FRONTEND_PORT=3001

Q5: 服务无法停止

强制清理：

# 查找并停止所有相关进程
pkill -f uvicorn
pkill -f http.server

# 清理PID文件
rm -f logs/*.pid

---

十二、目录结构

Demo-glm/
├── backend/
│   ├── app/              # FastAPI 后端代码
│   ├── requirements.txt  # Python 依赖
│   └── main.py           # 后端启动入口
├── frontend/             # Vite React 前端
├── docker/               # Docker 配置
│   └── docker-compose.yml
├── logs/                 # 运行日志
├── tests/                # 根级测试脚本
├── .env                  # 环境配置
├── .env.example          # 配置模板
├── pyproject.toml        # 根级 Python 项目配置
├── dev.sh                # Linux/macOS 统一入口
├── dev.bat               # Windows 统一入口
└── QUICK_DEPLOY.md       # 本文档

---

十三、API接口清单

接口	路径	方法	功能
上传文档	/api/v1/documents/upload	POST	上传PDF/DOCX
下载文档	/api/v1/documents/download/{doc_id}	GET	下载原文PDF/DOCX
文档列表	/api/v1/documents/list	GET	列出已上传文档
检索知识	/api/v1/knowledge/search	POST	向量检索
单次问答	/api/v1/agent/ask	POST	智能问答
多轮对话	/api/v1/agent/chat	POST	会话对话
会话信息	/api/v1/agent/session/{id}	GET	获取会话
删除会话	/api/v1/agent/session/{id}	DELETE	删除会话
Prompt模板	/api/v1/agent/templates	GET	模板列表
可用模型	/api/v1/agent/models	GET	LLM模型列表

---

十三、支持的LLM模型

通过统一API代理 https://new-api.fletcher0516.online/v1 支持：

Qwen系列：

• qwen3.5-plus (推荐)
• qwen3-plus
• qwen-max
• qwen-turbo
• qwen-long

Qwen VL系列（多模态）：

• qwen3-vl-plus
• qwen-vl-max

DeepSeek系列：

• deepseek-v3.2 (推荐)
• deepseek-v3
• deepseek-chat
• deepseek-coder

---

技术支持

• API文档：http://localhost:8000/docs
• 问题反馈：提交Issue到项目仓库