AI 法务合同智能审核与管理平台

角色：全栈工程师 · 个人 0→1
讲法：口述为主；讲到实现时交代 用什么技术、怎么串，不念配置项和类名清单。

---

面试官您好，我介绍一下 AI 法务合同智能审核与管理平台。

这是我一个人从 0 到 1 做的企业级应用：Spring Boot 3 + Vue3，自带多租户、权限、文件、工作流等基础能力，业务上聚焦 AI 大模型平台 与 法务合同智能审核与管理。

它不是 Chat 套壳，而是把 文档进库、向量检索、Rerank 精排、Agent 工具调用、合同审核 Pipeline、Flowable 审批 串成可上线、可审计、可回归的系统。

下面按模块讲，风格和 PDF 结构化一样：先讲解决什么问题，再讲用什么、怎么做。

---

一、整体架构

1.1 业务闭环

上传 Word 合同 → POI 拆段 → AI 结合规则和标准条款审核 → 法务采纳/忽略 → Flowable 审批 → 导出 Word 报告。

并行还有：AI 知识库对话、合同页 Agent 问答、全局对话里编排建单。

1.2 模块怎么分

模块	干什么	关键技术
system / infra	用户、权限、租户、文件	Spring Boot 基础模块
bpm	人工审批	Flowable，BPMN 自动部署
ai	模型、知识库、对话、RAG	AgentScope 2、Qdrant、Embedding/Rerank HTTP
legal	合同、意见、审核、Agent	Apache POI、Redis Stream、AgentScope Harness
web-ele	管理端页面	Vue3 + Vben + Element Plus，SSE 流式

1.3 三条原则

1. MySQL 是业务真相，Qdrant 只是检索索引。
2. 机器活放应用 Pipeline 异步跑，Flowable 只从「法务处置意见」开始。
3. AI 改库必须等人确认（提案 + Confirm）。

---

二、知识库：文档怎么结构化进库（用什么、怎么做）

2.1 要解决什么

RAG 入库若把 PDF 糊成一大段纯文本，会有三个典型问题：

1. 结构丢失 — 标题层级、表格行列、图片说明全混在一起，向量语义模糊。
2. 粒度不对 — 一块太大搜不准，一块太小断章取义。
3. 检索单腿 — 只靠向量，法条编号、英文专有名词、表格单元格值容易漏召回。

所以入库不是「抽文本 → 切几段 → embed」，而是 解析成结构化元素 → 按块类型分片 → 三列文本分离 → 异步写 MySQL + Qdrant。

2.2 入库整条链路（从上传到可检索）

用户上传文件 URL 后，后端走四步：

1. 解析 — 解析路由器读文件字节，选引擎，得到统一 Markdown 全文 + elements 元素列表。
2. 文档落库 — 写文档表：全文、token 估算、解析引擎（MinerU/Docling/Tika…）、解析质量（high/low/degraded）、文档类型（PDF/Office/HTML/表格/邮件…）、入库状态 PENDING。
3. 异步分片 — 后台任务按解析质量选 层级分片器 或 语义切分器，批量写分段表，状态变 EMBEDDING。
4. 向量化 — 对每个需要 embed 的分段调 Embedding HTTP，Qdrant upsert，回写 vectorId；全部成功则 SUCCESS。

管理端能看到：用了哪个引擎、有没有降级、当前卡在解析还是向量化。向量和分段 以 MySQL 为准，Qdrant 只是索引，后面有健康对账可修。

2.3 解析路由：用什么引擎、怎么决策

我做了一层 DocumentParseRouter，所有引擎输出统一协议，内部映射成 结构化文档模型（元素 type、text、markdown、caption、页码、标题 level 等）。

AUTO 模式下的优先级（口述决策树）：

文件类型	优先引擎	说明
html/htm	Jsoup 专用解析	抽标题、正文块，直接产 elements
xlsx/xls/csv	表格专用解析	按 sheet/行产 table 元素
eml/msg	邮件专用解析	邮件头 + 正文结构化
pdf	MinerU（可用时）	版面分析，质量 high
pdf / docx/pptx	Docling（MinerU 不可用或 Office）	同样 HTTP JSON 协议
其它 / 全失败	Apache Tika	纯文本，质量 low，无 elements

还可 按扩展名覆盖引擎（例如强制某类走 Docling），或 关掉结构化总开关 全程 Tika，方便本地没 MinerU 时开发。

PDF → MinerU（主路径）

• MinerU：开源 PDF 版面分析，识标题、段落、表格、公式，不是简单 OCR 抽字。
• 部署：Docker 独立 HTTP 服务（项目提供 compose 模板），Java 把文件 Base64 POST 到 /api/v1/parse，超时约 5 分钟（大 PDF 可接受）。
• 返回：JSON，含 markdown 和 elements[]；每个元素有 type（title/text/table/image/formula）、页码、层级、表格 Markdown 等。
• 映射后标记引擎 MinerU、质量 high。

Office docx/pptx → Docling

• 同样 HTTP + 统一 JSON 协议，超时约 2 分钟。
• 适合 Office 原生结构；PDF 在 MinerU 挂了时也可走 Docling。

兜底与降级

• MinerU/Docling 超时、报错、或 markdown 为空 → 自动 降级 Tika。
• 降级时在结果上标记 degraded，文档表仍记录原引擎尝试，方便运维知道「这份库质量打折了」。
• Tika 只有纯文本 → 后面只能走 语义切分，没有 Parent-Child 和表格三索引。

专用解析（不全扔 Tika）

• HTML：Jsoup 按 DOM 抽块。
• Excel/CSV：按行列生成 table 元素，不丢表头。
• 邮件：结构化头+正文，适合制度邮件、通知类知识。

2.4 分片：怎么切成可检索的块

分片器看解析结果是否 supportsStructuredChunking（高质量 elements）：

• 有 elements → HierarchicalKnowledgeChunker（层级分片器）
• 无 elements（Tika 降级） → SemanticTextSplitter（语义切分器），默认子块约 512 token、重叠 80 token，只有 child 没有 parent。

2.4.1 正文：Parent-Child + 标题路径

遍历 elements 时按 type 分支：

• TITLE：刷新上一节的 parent；维护 headingStack（类似 DOM 大纲，level 深则 pop）；新开一节 parent，buffer 清空。
• TEXT：正文 append 进当前 parent buffer；同时把正文再切成多个 child 子块。
• 一节结束时 flushParent：parent 存整节正文；child 存细粒度片段。

向量化文本和展示文本分离：

• content — 给用户/LLM 看的原文。
• embedText — 送进 Embedding 的文本，前面会拼 标题路径（如 第三章 保密义务 > 违约责任\n正文…），让向量带上章节语义。
• sparseText — 去掉 Markdown 符号后的纯文本，专供 MySQL FULLTEXT；入库时对 embedText 做 同一套归一化，保证检索词和库内格式一致。

Parent 默认 不向量化（只作上下文回填），child 一定 embed；需要也可打开 parent embed。

2.4.2 表格：三索引（查单元格的关键）

一张 table 元素会拆成最多三类块（可配置开关）：

块类型	生成方式	典型问法
table_whole	caption + 整表 Markdown	「这张表讲什么」「列有哪些」
table_row	每一数据行 → 一行 JSON（列名: 值）	「张三工资多少」「Age 列谁最大」
table_summary	规则生成：「表格摘要：{caption}，列字段包括 A、B、C，共 N 行」	「概况一下这张表」

行级 JSON 的好处：用户问 某一格 时，向量落在单行上；FULLTEXT 也能命中列名和数值。

2.4.3 图片 / 公式

• IMAGE：caption + description + 附带 text 拼成一块，blockType=image。
• FORMULA：前缀 [公式] + 文本，独立块，避免和正文混向量。

每块还带 pageStart/pageEnd、headingPath，方便溯源和表格整表回填。

2.4.4 落库与向量 metadata

分段先 batch 插 parent，再插 child 并写 parentId 外键。

写 Qdrant 时 payload 带：knowledgeId、documentId、segmentId、tenantId、blockType、chunkLevel、headingPath 等；检索时用 knowledgeId + tenantId 过滤，避免跨库串结果。

2.5 Embedding 与 Qdrant 写入

1. Embedding — 独立 HTTP 客户端，OpenAI 兼容 /embeddings；后台模型表配通义、智谱、Ollama 等，和 Chat 模型解耦。
2. Qdrant — 官方 Java 客户端直连，Cosine 相似度；每个分段 embed 后 upsert，vectorId 回写分段表。
3. 健康对账 — 对比「DB 有段但 Qdrant 没 point」「vectorId 空」「sparseText 空」；支持 dryRun 或 补 embed + 补 sparse 文本，不必整库重建。

---

三、RAG 检索与 Rerank（用什么、怎么做）

3.1 要解决什么

单向量 topK 在真实业务里会踩坑：

• 用户 口语化、省略主语，双塔向量相似度排偏。
• 法条号、英文实体、表格数字 向量弱、关键词强，只走 Dense 会漏。
• Dense 和 Sparse 分数尺度不同，简单加权不稳定。
• 排第一的块 未必真相关，直接喂 LLM 会 编造。

所以我做了一套 Universal RAG 检索编排：意图 → 多查询 → Dense + Sparse → RRF → 块类型加权 → 宽召回 → Rerank → 上下文回填 → 无引用守卫。

3.2 一次提问的完整编排（逐步说）

假设角色绑了 knowledgeId，用户问一句话，后端大致走下面 pipeline（管理端召回诊断接口能看到每一步命中数）：

Step 1 — 意图识别（规则优先，不调 LLM）

用正则把问题分成五类，后面 块类型加权 和 Multi-Query 都依赖它：

意图	触发特征（举例）	检索侧效果
SECTION	「第×章」「条款」「幻灯片」	偏章节 parent/带 headingPath 的块
TABLE_OVERVIEW	「总结」「有哪些」「讲什么」	抬高 table_summary 分数
TABLE_CELL	「多少」「Age」「工资」「哪一行」	抬高 table_row，略抬 table_whole
ENTITY	英文专名、长数字编号	配合 Sparse 补召回
GENERAL	其它	默认融合

Step 2 — Multi-Query 扩展

• 默认 规则扩展（classpath 中英对照词典 + 表格意图自动加「表格 / table」后缀）。
• 例如问「保密期限」可能同时搜原句 + 英文替换变体；问「利润多少」会多出带 table 后缀的变体。
• 最多 3 个 查询变体，控制成本。

Step 3 — 每个变体并行两路召回

• Dense（Qdrant）

  • 变体 embed → 向量检索，metadata 过滤 knowledgeId + tenantId。
  • 命中 vectorId 反查分段 id，得到有序 segmentId 列表。

• Sparse（MySQL FULLTEXT）

  • 查询和入库共用 SparseTextNormalizer（去 #*|[] 等 Markdown 噪声，保留中英数字）。
  • 优先 MATCH(sparse_text, embed_text, content)；索引不可用则降级 单列 sparse_text。
  • 专补 条文编号、英文术语、表格里的数字和列名。

Step 4 — RRF 融合（Reciprocal Rank Fusion）

• 每个变体、每一路召回都是一个 带权排名列表。
• 默认 RRF k=60；Dense 权重 1.0，Sparse 权重 1.2（略偏向关键词，专有名词更稳）。
• 多列表按 segmentId 倒数排名融合，不要求两路分数同尺度，比简单加权平均稳。

Step 5 — 块类型加权（Block Route Boost）

融合分算完后、Rerank 前，按 Step1 意图对 blockType 乘系数，例如：

• TABLE_CELL 意图 → table_row ×1.3，table_whole ×1.1
• TABLE_OVERVIEW 意图 → **table_summary ×1.4

这是 规则层精排，把「问表格却召回大段正文」压下去。

Step 6 — 宽召回截断

• 用户最终要 topK（默认 8），先取 topK × 4、上限 40 条候选进 Rerank。
• 相似度阈值默认 0.60（Rerank 失败降级时用）。

Step 7 — DashScope Rerank 交叉编码

• 问题：Dense 是双塔，问题和文档分开 embed，口语问容易排偏。
• 做法：用 阿里 DashScope 文本 Rerank HTTP（如 gte-rerank-v2），把 用户原句 与每条候选的 embedText 成对打分，取 topK。
• 降级：Rerank 未配置或调用失败 → 用 RRF 分 + 阈值过滤，诊断里标记 degraded，不 silently 假装精排成功。

Step 8 — 无引用守卫（NoAnswerGuard）

• 召回为空，或 最高分 < minAnswerScore（默认 0.45） → 不调 LLM。
• 策略可 strict（固定「知识库未找到相关内容」）/ hint（提示换问法）/ relaxed（仍让模型答）。
• 角色 没绑知识库 时不拦截，避免误伤纯聊天。

Step 9 — 上下文回填（给 LLM 的不仅是命中那一小块）

结构化入库的价值在检索后兑现：

• 命中 child → 把 parent 整节正文 拼进 expandedContent（--- 分隔）。
• 命中 table_row → 再附 同 headingPath 下的 table_whole 整表，模型看到列头+全表+命中行。
• 最终 Reference 进 Prompt 用扩展后的内容，引用仍指向命中 segmentId，UI 可展示来源。

命中分段还会 retrievalCount++，方便分析哪些块常被用到。

3.3 和对话、法务审核怎么衔接

• AI 对话：角色绑 knowledgeId → 走上述编排 → 片段包成 Reference 引用块 进 Prompt；SSE 响应可带 召回诊断（意图、变体、Dense/Sparse 命中数、是否 Rerank 降级、top 分数）。
• 法务审核 Kernel：引标准条款库、规则库 复用同一套检索服务，不是法务再写一套搜索；Playbook 确定性规则 + RAG 引条款 + LLM 批审在同一条质量链上。

3.4 质量怎么守（不是上线后靠感觉）

• 离线黄金集：Hit@K、MRR 等指标，AiRagEvalGate 卡门槛。
• GitHub Actions CI：改分片、改 RRF 权重、改 Rerank、改意图规则 必须先过 Gate。
• 向量健康检查：Sparse 开了但历史数据 sparseText 空 → 体检可批量回填。
• 把 RAG 当 可测工程，不是 prompt 玄学。

---

四、AI 大模型平台：对话与模型（用什么、怎么做）

4.1 要解决什么

AI 平台不是「调一个 Chat API」就完事，至少要同时满足：

1. 多厂商 — 通义、DeepSeek、智谱、OpenAI、Claude、Gemini、Ollama 等，业务代码不能每个平台写一套 SDK。
2. 多形态 — 同步/流式 SSE、推理模型的 thinking 流、带 Tool 的 Agent 循环。
3. 多能力叠加 — 角色设定 + 多知识库 RAG + 联网搜索 + 附件，还要 无引用守卫 防幻觉。
4. 可运维 — 多实例 Session 不丢、同一会话不能并发两条 SSE、模型 Key 可轮换。

所以我做了 「模型服务层 + 统一 LLM 客户端 + AgentScope Harness 双路径」：纯聊天走 LLM Client；角色挂了 Tool/MCP 走 Harness，底层仍是同一套 Model 工厂。

4.2 平台四层：怎么配、怎么串

层	存什么	干什么
API Key	平台、密钥、Base URL	通义/DeepSeek/OpenAI 等接入点
模型	模型名、temperature、maxTokens、类型（Chat/Embedding/Image）	业务选 modelId，不碰密钥
角色	systemMessage、knowledgeIds、toolIds、mcpClientNames	能力包：知识库 + Tool + MCP
对话	用户、roleId、modelId、maxContexts、温度等	每次聊天实例；消息落 MySQL

对话创建时 快照 角色设定和模型参数，后面改角色不会 retroactive 改历史对话。

4.3 模型层：AgentScope 2 统一 Chat

用什么

• 业务只依赖 AiLlmClient 接口（call 同步 / stream 流式）。
• 实现是 AgentScopeLlmClient，内部 AgentScopeModelFactory 按平台构造 AgentScope 原生 Model。
• AiModelService 按 modelId 取客户端，Singleton 缓存（modelId + apiKey + 模型名），避免每次 new 连接。

支持的平台（口述可举例）

• 原生 SDK 路径：通义 DashScopeChatModel、Gemini、Anthropic Claude。
• OpenAI 兼容路径：OpenAI、Azure、DeepSeek（专用 DeepSeekFormatter 抽 reasoning）、智谱（GLMFormatter）、硅基流动、月之暗面、百川、豆包、混元、星火、Grok 等 —— 统一 OpenAIChatModel + 不同 baseUrl/formatter。
• 本地：Ollama。

怎么做（一次模型调用）

1. 校验模型启用 + API Key 有效。
2. 把业务 AiLlmRequest（messages、temperature、maxTokens）转成 AgentScope Msg 列表。
3. 同步：model.stream(..., stream=false).blockLast() 取完整回复。
4. 流式：stream=true，逐 chunk 映射为 CONTENT / REASONING / DONE / ERROR 事件；DeepSeek 等推理内容走 REASONING 通道，前端可折叠展示。
5. 失败带 重试（Harness 默认最多约 2 次）；401 映射为「模型鉴权失败」类错误码。

Chat、写作、脑图、法务审核等 所有 LLM 调用 都走这条链，换平台只改后台配置。

4.4 Embedding / Rerank / 向量库：与 Chat 解耦

三类模型 分开配 modelId，互不绑死：

能力	实现	用途
Embedding	HttpAiEmbeddingClient，OpenAI 兼容 /embeddings	知识库入库、Dense 检索、合同段落语义搜
Rerank	DashScopeRerankClient HTTP	第三节宽召回后的交叉编码精排
VectorStore	QdrantVectorStoreClient + 上面 Embedding	向量 upsert/search，Cosine

知识库绑 embeddingModelId；Chat 模型可以另选更强的推理模型 —— 典型组合：小 embedding + 大 Chat。

4.5 一次「发消息」的完整链路（流式为主）

前端 POST /ai/chat/message/send-stream（SSE，text/event-stream），后端顺序：

1. 鉴权 — 校验 conversation 归属当前用户。
2. 并发锁 — conversationId 级 Redis 互斥，同一会话 同时只允许一条流（防连点/双 Tab 把 Agent 跑乱）。
3. 拉历史 — MySQL 消息列表（后面按路径决定是否注入）。
4. RAG — 角色若绑了多个 knowledgeId，逐个库 走第三节 Universal RAG，结果合并；可选写 召回诊断 进 assistant 消息。
5. 联网搜索（可选） — 用户勾选 useSearch 时调博查等 HTTP 客户端，摘要若干网页。
6. 落库 user 消息 — 内容、附件 URL、是否带上下文等。
7. 预建 assistant 消息 — 空 content，先占 id，流式结束再回填。
8. 无引用守卫 — 角色绑了知识库但 RAG 空/低分 → 直接写固定回复，不调 LLM（见第三节）。
9. 选路径调模型 — 见 4.6 / 4.7。
10. 流式回写 — 累加 content/reasoning buffer，首包可带 知识库引用列表 + 搜索来源；结束时 update assistant 行。

同步接口 /send 逻辑相同，只是最后一次性返回。

4.6 纯 LLM 路径（角色 没有 Tool / MCP）

什么时候走：toolIds 和 mcpClientNames 都为空。

Prompt 怎么拼（includeHistory=true）

1. System — 对话快照的 systemMessage（来自角色）。
2. History — 用户勾选「携带上下文」且对话配了 maxContexts 时：从后往前取 N 组 user+assistant 对；跳过 type=summary 的 Compaction 摘要行（避免和 Agent Session 重复）。
3. Token 裁剪 — 在组数限制之上，再用 historyTokenBudget（默认约 32k token） 从尾部保留，交给 AgentMemoryPolicy 裁切。
4. 当前 user 句 — 本次输入。
5. Reference 块 — RAG 命中片段包成 <Reference>...</Reference>，以 额外 User 消息 注入（不污染 system）。
6. WebSearch 块 — 同理 <WebSearch title url>...</WebSearch>。
7. Attachment 块 — 附件 URL 下载：文本直读；图片转 Base64，包进 <Attachment>。

调用：llmClient.stream(request) → SSE 推前端。

适合：普通知识库问答、写作助手、无法具身改系统的场景。

4.7 Agent 路径（角色 挂了 Tool 或 MCP）

什么时候走：角色配置了 toolIds（Spring Bean 名）或 mcpClientNames。

和纯 LLM 的关键区别 — Session 优先

• 构建 HarnessAgent：streamEvents 流式。
• 拼 Prompt 时 includeHistory=false —— 不再把 MySQL 全量 history 灌进本次请求。
• ReAct 轨迹（多轮 Tool 调用、中间推理）存在 AgentScope Session；每轮只发：system（Harness 内）+ 当前 user + Reference/WebSearch/Attachment。
• 这样避免 DB history + Session 双轨 导致 token 翻倍、Tool 轮次错乱。

Agent 构建时做了什么

1. Toolkit — 按 toolIds 从 Spring 容器取 Bean 注册；MCP 名通过 AgentScopeMcpToolRegistrar 连远程服务挂 Tool。
2. Middleware — 默认 Trace（记录 Tool 名、耗时）；可选 Compaction 摘要落库 Middleware。
3. Session — Key = sessionKeyPrefix + aiChat + conversationId；见 4.8。
4. 公共选项 — maxIters 约 12；Compaction 阈值约 12 万 token；关闭 Sub-agent / Dynamic Skills（Chat 场景控复杂度）。
5. 业务扩展 — 实现 AiChatHarnessSupport 接口可注入额外 Middleware 和 RuntimeContext（法务编排 Agent 走这条扩展缝，不用 fork Chat 代码）。

事件映射：TEXT_BLOCK_DELTA → 正文 SSE；THINKING_BLOCK_DELTA → reasoning SSE；Tool 事件目前以日志/后续 SSE 扩展为主。

Agent 仍 先 RAG 再进循环；无引用守卫在 Agent 启动前拦截，避免 Tool+幻觉双风险。

4.8 Session 存储与多实例

AgentScope 2 RC 没有官方 Redis Session，我实现了 RedisBackedJsonSession：

• 本地 JsonSession 缓存 + 变更 增量 flush 到 Redis；TTL 默认 24 小时。
• SessionKey 带 workspace 哈希前缀，Chat / 合同 Agent / 编排 命名空间隔离。
• 生产 session-store=redis；开发可 workspace 或 memory。
• AgentScopeSessionLock：conversationId / sessionId 分布式锁，配合流式守卫。

重启后：MySQL 仍有用户可见 transcript；Agent 运行时 从 Redis 恢复，可继续 Tool 多轮（Compaction 后更轻）。

4.9 和知识库、法务的边界

• RAG：只在 Chat 发送前召回一次，片段 id 写入 assistant 消息，前端展示「引用了哪几段」。
• 法务合同 Agent / 编排 Agent：独立 Harness 构建（第五节），但 Model 工厂、Session 工厂、Embedding 客户端 与 AI 平台共用。
• 写作 / 脑图 / 图像：同样 getLlmClient / getImageClient，平台能力复用。

4.10 生产注意点（口述可一句带过）

• SSE 网关 关缓冲（Nginx proxy_buffering off），否则流式假死。
• Chat 流式接口 用户级限流（如 60 秒 10 次），防刷模型配额。
• 模型 Key 401 → 明确提示检查密钥，别让用户以为是业务 bug。
• 角色绑多个知识库时，单库不存在会 skip 并 warn，不拖垮整次对话。

---

五、Agent 智能体（全章 · 用什么、怎么做）

这是项目另一核心。要讲清：三条 Agent 线各自解决什么、共用哪些 Harness 能力、写操作为什么安全。

5.1 要解决什么

法务场景里「Agent」不是单一聊天机器人，而是 三种不同入口、三种 Tool 集、三种 SessionKey：

线	入口	用户目标
合同页 Agent	审核页侧栏 SSE	对着 已落库的一份合同 问答、查段落、处置意见
编排 Agent	AI 对话页 + 编排角色	对话里 登记附件 → 分类 → 建单 → 跟踪
审核 Orchestrator（试点）	审核 Pipeline 内	长合同 批审顺序规划（Sub-agent），不是用户聊天

另外还有 Pipeline 自动审核（第五节末尾）：用户不和 Agent 说话，走 Redis Stream + Kernel——和对话 Agent 并列，不要混为一谈。

共同约束：AI 改库必须可审计；探索模式下不能误触写 Tool；多 Tab / 多实例下 Session 不串、Confirm 可续。

5.2 用什么运行时（AgentScope 2 Harness）

AgentScope 2 Java Harness（agentscope-harness 2.0.0-RC1），和第四节 AI Chat 共用工厂：

• ReAct 循环：Thought → Action(Tool) → Observation → …，默认 maxIters ≈ 12，防死循环。
• 流式：streamEvents 推 TextDelta、ThinkingDelta、RequireUserConfirm 等。
• Compaction：Session token 超 约 12 万 自动压缩；可选 Middleware 把摘要落 MySQL。
• PermissionEngine：按 Tool 名 ALLOW / DENY / ASK（法务有专门规则，见 5.6）。
• Session：RedisBackedJsonSession（生产 redis），TTL 24h；Key 按业务命名空间隔离。
• Pending Tool Recovery：合同 Agent 开启，实例重启后可恢复卡在 Tool 前的状态。

Chat / 合同 / 编排 / 审核 Orchestrator 同一套 AgentScopeSessionFactory + AgentScopeModelFactory，差异在 Tool、Prompt、Middleware、SessionKey。

5.3 合同页 Agent：一次问答的完整链路

入口：审核页侧栏，SSE 流式；请求带 contractId、sessionId（多 Tab）、message、answerMode、allowProposal。

Step 1 — 门禁

• 若该 session 还在 AwaitingConfirm → 拒绝新消息，必须先处理确认。
• sessionId 级互斥锁 → 同时只跑一条 Agent 流（连点/双 Tab 保护）。
• 空 sessionId 时后端生成 UUID。

Step 2 — 解析 SkillPack 与 Prompt

• 按 合同类型 + CHAT 场景 解析 SkillPack：额外 Tool 名 + 技能 Markdown。
• System Prompt 拼装（事实来源，避免模型瞎说「审核不存在」）：
  • 合同类型绑定的 QA 角色设定（可读 ai_chat_role 配置）；
  • 审核快照块：合同 id/标题/状态/轮次、意见总数（待处置/已采纳/已忽略）、高风险统计；
  • 情节记忆 <ContractMemory>（milestone/risk/decision/fact/compaction_summary）；
  • 用户事实 <UserFacts>；
  • 回答模式（BRIEF/STANDARD/DETAILED 指令 + maxTokens）；
  • 若 allowProposal=true，追加写操作规则（批量采纳、单条采纳、跳过段落等）。

Step 3 — 构建 HarnessAgent

• Model：合同可指定 modelId，否则默认 Chat 模型。
• Toolkit：只读 Tool 始终注册；提案模式再注册写 Tool + SkillPack 额外 Tool。
• ToolExecutionContext：注入 contractId、tenantId、userId、sessionId、allowProposal；Tool 只从上下文取 id，禁止模型 hallucinate。
• SessionKey = prefix + legalContract + contractId + sessionId（多 Tab 不串线）。
• Workspace：.../legal/{contractId}；有 SkillPack 则 sync 技能文件并 开 Dynamic Skills。
• 安全开关：disableSubagents、disableShellTool、disableFilesystemTools。
• Middleware 顺序（有意义）：
  1. Tool 上下文注入
  2. 租户 Middleware
  3. Trace → 步骤日志（DB/审计：调了哪些 Tool）
  4. SSE Middleware → tool_start / tool_end 旁路事件
  5. Compaction 摘要落库（可选）

Step 4 — 只发当前用户句

• buildAgentMessages 仅一条 UserMessage（本轮问题）；ReAct 历史在 Redis Session。
• 同步接口 runSync 走 agent.call；流式 runStream 走 agent.streamEvents。

Step 5 — SSE 合并输出

主流映射 Agent 事件 → 前端协议；旁路队列 500ms 心跳合并：

• 正文 / reasoning delta
• tool_start / tool_end（Middleware 写入 LegalAgentSseEventHolder）
• proposal 卡片（提案号、标题、payload）
• confirm_required（Permission ASK 时）
• 空心跳包保活连接

主流结束后再 tail drain；若进入 AwaitingConfirm，confirmResumeDrain 继续 poll 直到会话释放。
整流 超时约 90 秒；Confirm 注入 observe 超时约 30 秒。

5.4 合同页 Tool 能力（读 vs 写）

只读 Tool（探索/提案模式均可）

Tool	干什么
legal_get_contract_meta	合同元数据、待处置意见数等
legal_search_paragraphs	语义搜段落（Qdrant metadata 限 contractId，失败降级关键词）
legal_get_audit_opinions	按轮次/风险/段落/状态查意见
legal_get_audit_report	六章报告摘要
legal_search_knowledge	走 同一 Universal RAG 搜标准条款库
legal_compare_audit_rounds	对比多轮审核差异

写 Tool（仅 allowProposal=true，且 Permission 允许）

Tool	行为
legal_adopt_opinion / legal_batch_adopt_pending_opinions	用户对话 即授权，Tool 内 直接调业务 Service 采纳，不再弹二次 Confirm
legal_propose_adopt_opinion	兼容旧名，行为同直接采纳
legal_propose_skip_paragraph	仍走 提案表：生成 proposalNo → 前端卡片 → 用户 execute 才改段落跳过标记

探索模式（allowProposal=false）

• Permission EXPLORE：写 Tool DENY；只读 Tool ALLOW。
• 适合「只问合同、不改状态」。

提案模式（allowProposal=true）

• Permission DEFAULT + 对只读/写 Tool 显式 ALLOW（含 Harness 内置 session_search，避免误 ASK）。
• 采纳类：对话指令 = 授权，Prompt 里写死规则，减少 SSE 打断。
• 跳过段落类：提案表审计仍保留（5 分钟过期 + 定时清理）。

5.5 Permission Confirm + 续流（工程难点，编排仍重度使用）

即使合同采纳多为直接执行，Harness Confirm 链路仍完整实现，用于 Permission ASK、跨实例恢复、编排确认：

框架层 — AgentScope Confirm

• Tool 触发 ASK → RequireUserConfirmEvent → SSE confirm_required + confirmId。
• 用户 POST confirm → 构造 ConfirmResult → agent.observe(resumeMsg) 注回 仍在等待的 Harness（首条 SSE 不能断）。
• 运行时注册表（JVM 内 PendingRun）+ Redis Pending 快照（跨实例 rebuild Agent）。

业务层 — 提案表

• legal_agent_proposal：PENDING → execute/cancel/expired；编排批量建单、类型包、分类等 走这条。
• execute 仍经 LegalAgentProposalService，和 Permission 职责分开：Harness 管推理续流，提案表管审计与写库。

断线续流三档

1. 原 SSE 还活着 → observe 注入 Confirm，主流继续推。
2. SSE 已断 → confirm-stream：先 observe；失败则 streamEvents 降级 重建 Agent 续推。
3. 实例换了 → 从 Redis 快照 rebuild Agent（同 contractId/sessionId/allowProposal/answerMode）再 observe。

会话锁：AwaitingConfirm 期间 不 release sessionGuard，防止双开流。

5.6 记忆：四层 + Compaction

层	存什么	技术	谁读/谁写
Working	ReAct、Tool 中间态、Compaction 前上下文	Redis Session	Harness 自动
Transcript	用户可见问答	MySQL 合同聊天表	前端列表
Episodic	milestone / risk / decision / fact / compaction_summary	MySQL 情节记忆表	Prompt <ContractMemory>；去重 hash
User Facts	用户级可复用事实	MySQL 用户事实表	Prompt <UserFacts>

写入：每轮问答后 异步抽取（可配置 LLM 或启发式；默认启发式）；定时任务 backfill 漏网；管理端可 CRUD。

读取：构建 System Prompt 时按 contractId（+ 可选 sessionId）取最近 最多 10 条 附录。

Compaction 落库：Middleware 在 Harness 压缩完成后写 type=compaction_summary 或聊天 summary 行；纯 LLM 读 history 时 跳过 summary，避免和 Session 重复（第四节已述）。

5.7 SkillPack：按合同类型动态能力

• 后台配置：合同类型 × 场景（CHAT / AUDIT 等）→ 额外 Tool Bean 名 + 多份技能 Markdown。
• 构建 Agent 时 LegalSkillPackSkillWriter 同步到 workspace/skills，Harness Dynamic Skills 加载。
• 例：劳动合同多「保密/竞业」说明 + 专用 Tool；采购合同多「付款/验收」——不改 Java 发版。

合同 Chat 与审核 Orchestrator 各读各场景 的 SkillPack（CHAT vs AUDIT）。

5.8 编排 Agent（第三条线 · AI 对话页）

入口：AI 模块对话页，角色 Tool 名以 legal_orchestration_ 开头 → 触发 LegalOrchestrationAiChatHarnessSupport 扩展第四节 Chat Harness（不 fork 一套 Chat 代码）。

解决：上传合同附件 不是上传即建单，而是可控状态机。

阶段（编排会话表 + 字典）

INIT → FILE_REGISTERED → CLASSIFY_PENDING → CLASSIFY_CONFIRMED → TYPE_PACKAGE_* → CREATE_PENDING → CONTRACTS_CREATED → TRACKING → CLOSED

主要 Tool（口述可挑）

Tool	作用
register_latest_attachments / register_files	登记对话附件
propose_file_classification	语义分类 → 提案
list_contract_types	查可用合同类型
propose_type_package	缺类型时提案条款包草稿
propose_create_contracts	批量建合同 提案（须分类已确认）
list_user_contracts / get_contract_summary	跟踪进度
preview_audit / get_audit_preview	预览审核

Checkpoint JSON（LangGraph 思路）：每阶段推进写 checkpointJson（phase、policy、preview 快照等）；异常可 resumeSession 恢复，不必从头 LLM。

Tool 上下文：LegalOrchestrationToolRuntimeContext 绑 conversationId/userId/tenantId；Holder 可放 Redis，多实例可见。

写库规则：编排 Tool 只 propose；用户在前端 execute → LegalAgentProposalService / 编排 Executor 写库 → 落库合同走 同一 Pipeline（create_source=对话）。

5.9 审核 Orchestrator 与 Pipeline（第四条「非对话」线）

Orchestrator（Harness + Sub-agent 试点）

• 配置 LegalAuditOrchestratorAgentScopeConfig：只读 Tool 子集 + clause-batch-reviewer Sub-agent（maxIters 更小，3 个只读 Tool）。
• 主 Agent 委派子 Agent 输出 条款类型 + 批审优先级 JSON；Feature Flag auditSubagentPilot 控制。
• 合同 Chat Agent 仍 disableSubagents——权限和复杂度可控，Sub-agent 只在审核链试点。

Pipeline 自动审核（用户不和 Agent 说话）

• 列表建单 → Redis Stream 投递 LegalContractAuditMessage。
• Consumer 集群消费 + LegalAuditConcurrencyGuard 租户并发上限（默认约 5 路），满则重试/失败。
• TenantUtils.execute 保证租户上下文；进度写 Redis，前端轮询 + reasoning 展示。
• 内核 LegalAuditKernel：Playbook 确定性规则 + 批调 LLM + 第三节 RAG 引条款 → JSON 意见 + 六章报告（Playbook 黄金集 CI 锁回归）。

边界：解析 + 首轮 AI 不在 BPMN；Flowable 从「法务处置意见」人工节点开始（第六节）。

5.10 三条线对照（面试一张表说完）

维度	合同 Chat Agent	编排 Agent	Pipeline 审核
交互	侧栏 SSE 多轮	AI 对话页 SSE	无对话，异步进度
SessionKey	contractId + sessionId	conversationId	无 Harness 会话
写操作	采纳直接 / 跳过提案	全 propose + execute	Kernel 写意见表
Sub-agent	关闭	关闭	Orchestrator 试点
RAG	Tool 搜知识库	预览审核等	Kernel 内嵌 RAG
记忆	四层 + 快照	Checkpoint	Trace 复用预览

5.11 和第四节的关系（一句话）

第四节管 模型与 Chat 运行时；本节管 法务三条业务 Agent 线如何在 Harness 上挂 Tool、Permission、记忆、提案与 Pipeline。Model/Session/Embedding 工厂共用，业务 Prompt + Tool + 门控 分离，换合同类型主要靠 SkillPack + 角色配置，不靠改核心代码。

---

六、法务合同业务（用什么、怎么做）

6.1 Word 解析：和知识库 PDF 是两条线

审合同 Word（docx）不用 MinerU，用 Apache POI（XWPF）：

• 读段落，稳定编号 p-1、p-2…
• 条款树构建 + 表格块抽取
• 落 段落表，供审核和 Agent 查

知识库 PDF 走 MinerU；合同 Word 走 POI——职责分开，避免把在审合同混进公司知识库。

6.2 审核 Pipeline

LegalContractProcessStarter 异步：

1. 解析（POI）
2. 首轮 AI（Kernel + RAG + LLM）
3. 成功 → 启动 Flowable 人工阶段

** deliberately** 解析和 AI 不在 BPMN 图里；流程从「法务处置意见」开始。

6.3 Flowable BPM

• 流程 Key：legal_contract_review
• BPMN：开始 → 法务处置意见 → 审批 → 导出
• 启动时自动部署 BPMN，旧定义可升级
• 业务表单嵌入 Vue 审核页；Delegate 可 自动导出 Word

6.4 意见、报告、导出

• AI 出 JSON 结构化意见（段落锚点、风险等级）
• 六章 Markdown 报告 统一模板生成
• 法务 采纳/忽略/撤销/批量；可 二轮 AI（仍走 Stream）
• POI 或模板 导出 Word 报告

6.5 合同内语义搜段落

解析后对段落 Embedding 写 Qdrant（metadata 限 contractId），Agent Tool search_paragraphs 和用户问答共用，失败降级关键词。

---

七、前端（用什么、怎么做）

• Vue3 + Vben + Element Plus，动态菜单与 RBAC 权限。
• 审核页 review.vue：段落、意见、处置、BPM 时间线、侧栏 Agent SSE。
• SSE：EventSource / fetch stream 收 delta、thinking、Confirm 卡片、提案卡片。
• 多 Tab：每 Tab 独立 sessionId，和后端 SessionKey 一致。
• AI 对话页：流式 + 知识库引用展示 + 编排 Confirm。

---

八、工程化与质量

• Playbook 黄金集（法务审核 10 条）+ RAG 黄金集，Maven + GitHub Actions CI。
• 生产 checklist：Session Redis、SSE 网关、Stream 租户上下文、连接池。
• MinerU Docker、OnlyOffice 等部署文档。

---

九、我 0→1 交付范围

需求/架构/SDD、ai+legal 全量后端、BPMN、web-ele 页面、SQL 增量、评测 CI、部署文档。自研价值：解析路由+结构化分片、Universal RAG+Rerank、AgentScope 工程化、Pipeline 与 BPM 边界。

---

十、收尾

面试官，以上是 AI 法务合同智能审核与管理平台 全模块介绍。

• 文档/RAG：MinerU/Docling/Tika → 层级分片+表格三索引 → Embedding HTTP → Qdrant → Dense+FULLTEXT+RRF → DashScope Rerank → 无引用守卫。
• Agent：AgentScope 2 Harness + Redis Session + Tool/Middleware + 提案+Confirm 续流 + 记忆四层 + 三条线。
• 法务：POI 解析 + Kernel 审核 + Redis Stream + Flowable 审批。

您想深哪块，我继续拆。

---

附录：模块 × 技术 × 一句话（追问用）

模块	用什么	怎么做（一句话）
PDF 知识库	MinerU Docker HTTP	JSON elements → 层级分片 → Embedding → Qdrant
Office/HTML/表格/邮件	Docling / Jsoup / 专用解析	同协议或专用元素 → 分片
降级	Apache Tika	纯文本语义切分，质量 low
Embedding	通义/智谱/OpenAI 兼容 HTTP	批量 embed → Qdrant Cosine
Dense 检索	Qdrant Java 客户端	问题 embed + metadata 过滤
Sparse 检索	MySQL FULLTEXT	关键词列归一化查询
融合	RRF	多路排名合并
Rerank	DashScope gte-rerank-v2 HTTP	宽召回后交叉编码精排
防幻觉	无引用守卫	低分/空召回不调 LLM
Chat	AgentScope Model + SSE	纯 LLM 裁 history；带 Tool 走 Harness
Session	Redis JsonSession 适配	增量 flush + 锁 + TTL
合同 Agent	Harness + Toolkit	只读/提案 Tool，SkillPack，Middleware
Confirm	observe + 续流	Pending 注册表 + Redis
记忆	MySQL + Redis	四层 + Compaction 摘要落库
编排 Agent	独立 Tool + 状态机	propose → execute，Checkpoint
合同 Word	Apache POI	段落+条款+表格，不进 MinerU
审核异步	Redis Stream	租户并发上限，进度 Redis
审核内核	Playbook + LLM + RAG	JSON 意见 + 六章报告
BPM	Flowable BPMN	自动部署，仅人工节点
前端	Vue3 SSE	sessionId 多 Tab，Confirm/提案 UI

书面材料：架构设计 / 系统设计 / 实现索引见 delivery 目录。

---

十一、亮点补充（口述时可穿插，不必全讲）

下面这些是正文里点到为止、但面试里很加分的细节。讲法统一：业务问题 → 用什么 → 怎么做。

11.1 合同问答「三种回答模式」

• 问题：同一合同，法务有时要一句话结论，有时要逐条引用段落做详审。
• 用什么：前端选 BRIEF / STANDARD / DETAILED，后端枚举绑不同 System 指令 + maxTokens（约 1k / 2k / 4k）。
• 怎么做：Harness 和同步 LLM 两条路共用同一套 Prompt 助手；模式进 Session 快照，Confirm 续流后模式不丢。

11.2 探索模式 vs 提案模式（Permission 分层）

• 问题：用户只想查合同，不希望 Agent 误触「写意见/改段落」。
• 用什么：AgentScope PermissionEngine + 自研规则：探索模式 EXPLORE + DENY 写 Tool；提案模式 DEFAULT + ALLOW 只读/写 Tool（用户开提案开关即授权采纳类操作）。
• 怎么做：allowProposal 进 Tool 上下文；跳过段落仍走提案表审计；Confirm/observe 链路保留给编排与跨实例续流。

11.3 预览审核复用（省钱又一致）

• 问题：用户先「预览审核」再「正式落库」，不希望 LLM 对同一段落打两遍分。
• 用什么：LegalAuditPreviewReuseService + 段落级 dedupeKey（段落 id + 风险标题）。
• 怎么做：正式审核前扫预览结果，命中则 跳过 Kernel 调用；Trace 里记 previewReuseCount，可量化节省。

11.4 审核全链路 Trace

• 问题：Playbook + LLM + RAG 混跑，线上出问题很难复盘。
• 用什么：LegalAiTraceRecorder 结构化落库（阶段、Tool、RAG 命中、复用次数）。
• 怎么做：Kernel 每个阶段写 Span；和 Playbook 黄金集 CI 对齐，失败用例可对照 Trace 定位。

11.5 向量库健康检查 + 自愈

• 问题：MySQL 有分片、Qdrant 有点位，运维误删或重建后容易 数量不一致。
• 用什么：AiVectorStoreHealthService 对比 DB segment 与 Qdrant point，支持 dryRun / repair。
• 怎么做：管理端一键体检；repair 按缺失向量 补 embed 再 upsert，比全量重建便宜。

11.6 双黄金集 CI（RAG + Playbook）

• 问题：改检索或改 Playbook 不能靠手感。
• 用什么：Maven 集成测试 + GitHub Actions；RAG 用 AiRagEvalGate，法务 Playbook 用 LegalPlaybookEvalGate（如 10 条、100% 门槛）。
• 怎么做：改 prompt / 分片 / Playbook 规则 必须先过 Gate 才能合并，把「AI 质量」当工程指标。

11.7 异步审核租户并发闸

• 问题：大合同审核耗时长，多租户同时跑会把 LLM 打满。
• 用什么：Redis Stream 消费 + 租户级并发上限（默认约 5）+ 进度写 Redis。
• 怎么做：超限任务排队或快速失败；SSE/轮询只看进度，不和 Harness Session 抢同一把锁。

11.8 编排 Agent Checkpoint

• 问题：多步法务编排（立案 → 审核 → 报告）中途失败要从断点续，不能从头 LLM。
• 用什么：编排状态机 + JSON Checkpoint 持久化。
• 怎么做：每步 propose → 用户 Confirm → execute 后写 Checkpoint；恢复时 只重放未完成步。

11.9 查询意图驱动的 RAG

• 问题：法条检索、表格问答、闲聊混在一个知识库里，单一 TopK 不准。
• 用什么：意图枚举（如法条 / 表格 / 通用）→ 不同 召回路径、TopK、是否走 Rerank。
• 怎么做：意图识别后再 multi-query；表格块走 表格三索引；低置信走 NoAnswerGuard 直接拒答。

11.10 SSE 限流（生产防护）

• 问题：流式接口被刷会拖垮 LLM 和 Redis Session。
• 用什么：接口级 @RateLimiter，合同 Agent / Chat 按 用户 限流，审核触发按 租户 限流。
• 怎么做：超限快速 429，保护 Session 锁和外部 Embedding 配额。

11.11 审核 Sub-agent 试点（只读子 Agent）

• 问题：长合同一次塞满上下文，主 Agent 批审顺序不稳定。
• 用什么：AgentScope SubagentDeclaration（clause-batch-reviewer），子 Agent 仅 3 个只读 Tool，maxIters 更小。
• 怎么做：主 Orchestrator 按段落批次 delegate 子 Agent 输出条款类型与优先级 JSON；Feature Flag 控制，合同 Chat Agent 仍禁用 Sub-agent（控复杂度和权限）。

---

十二、AgentScope 2 Java 能力地图（已用 / 可扩展 / 刻意不用）

版本：agentscope-harness 2.0.0-RC1。面试建议说法：「我们吃透了 Harness 工程化能力，RAG 自研因为官方 RAG API 在 RC 已 deprecated。」

12.1 已经在生产用的

能力	我们怎么用的（口述）
HarnessAgent + ReAct	合同 Agent、编排 Agent、带 Tool 的 AI Chat；streamEvents 推 SSE
Toolkit 注册	Spring Bean 法务 Tool + HTTP 知识 Tool；按角色/SkillPack 动态装配
Permission + HITL	探索 DENY 写 Tool；编排/ASK 场景 Confirm → observe 续推理；采纳类对话即授权
Middleware 链	Trace、租户、Tool 上下文、Compaction 摘要落库、Confirm→SSE 桥接
Redis Session	JsonSession 增量 flush + TTL + 分布式锁；多 Tab sessionId 对齐
Context Compaction	上下文超约 120k token 触发摘要压缩，摘要异步写 MySQL 聊天表
Dynamic Skills	SkillPack 同步到 workspace/skills，Harness 按场景加载
Model 工厂	统一 DashScope/兼容 OpenAI；可配 重试 + fallback 模型
Sub-agent（试点）	仅审核 Orchestrator：clause-batch-reviewer 只读批审
MCP 注册器	AgentScopeMcpToolRegistrar 已写好；角色/SkillPack 配 mcpClientNames 即可挂远程 Tool

12.2 代码里能接、但默认没全开（可讲「下一步」）

能力	状态	面试怎么说
MCP Client	基础设施就绪，需 laby.ai.mcp.servers.* 配置	「Tool 不必全写 Java，Filesystem/Linear 等 MCP 服务配置即用」
Sub-agent 扩展	审核试点 1 个；Chat Agent subagentsEnabled=false	「长文档可拆条款分类/报告子 Agent，权限仍只读子集」
多模态 DataBlock	Spec P2-3，Chat 附件图片	「合同扫描件问答可走 Vision，当前以文本段落为主」
Pending Tool Recovery	配置项 enablePendingToolRecovery	「实例重启后恢复卡在 Confirm 前的 Tool 状态」
AgentScope 原生 RAG	刻意不用（RC deprecated）	「向量用 Qdrant Java Client + 自研 RRF/Rerank，更可控」

12.3 刻意不用的（体现架构判断）

• Shell / Filesystem 内置 Tool：法务场景写盘风险高，全部关闭。
• Sandbox 代码执行：非目标，合规与隔离成本大。
• 合同 Chat 默认 Sub-agent：避免权限边界模糊；审核链单独试点。
• Spring AI 栈：已全量 AgentScope + 自研 RAG，减少双栈维护。

12.4 若面试官追问「还和 Spring AI 比什么」

一句话：「Spring AI 偏组件拼装；AgentScope 2 给的是 Agent 运行时——Session、Permission、Middleware、Compaction、Sub-agent。我们把 RAG 和向量_store 自研握在手里，Agent 交互和续流交给 Harness。」

---

十三、可选：模拟面试官追问 5 题（简答）

1. 为什么不用 AgentScope 自带 RAG？ — RC 已 deprecated；我们要 Parent-Child、表格三索引、RRF+Rerank+NoAnswerGuard，自研 Qdrant 链路更可测。
2. Confirm 和提案表会不会重复？ — Harness 管交互续流；提案表管审计与 execute 写库，职责分开。
3. Redis Session 和 Chat 历史表关系？ — Session 存 Agent 运行时（Tool 轮次、Compaction）；MySQL 存用户可见消息与摘要，重启可重建。
4. Playbook 和 LLM 谁说了算？ — Playbook 确定性规则先跑；Kernel 对复杂段落 LLM+ RAG；黄金集 CI 锁回归。
5. 多实例怎么保证一个合同只有一个 Agent 流？ — SessionKey + Redis 分布式锁 + 前端 sessionId；超限 RateLimiter 防刷。

forum

评论区 / Comments