① 意图识别（Intent Recognition）
将用户自然语言输入映射为业务意图，是大模型应用路由的第一步。
规则 + 关键词打分可替换为 LLM 分类1输入与识别
在下方输入用户问句，系统用关键词权重法实时计算各意图得分并判定主意图。
2识别结果
各意图置信度（按关键词命中加权后归一化）。绿色为主意图。
请输入内容后点击「识别意图」。
② 链路编排（Workflow Orchestration）
根据识别出的意图，激活不同的处理链路（DAG），把「识别 → 检索 → 生成 → 回复」串起来。
1选择意图 / 输入触发
可直接选择意图，或输入问句自动识别后编排。
2链路可视化
橙色高亮为本次被激活的节点与路径。
3执行轨迹日志
链路运行时逐节点产生的 trace 日志（模拟）。
③ 知识库 CHUNK 算法
检索增强（RAG）前必须把长文档切成「块」。不同切分策略直接影响召回质量。
1文档与策略
粘贴或载入示例文档，选择切分策略与参数，实时查看切分结果。
2切分结果
每个 CHUNK 的字数、起止位置与预览。关键词高亮便于人工核对边界是否合理。
3四种策略对比
在实际项目中按文档类型选型。
| 策略 | 原理 | 优点 | 缺点 | 适用 |
|---|---|---|---|---|
| 固定长度 | 按字符数滑动窗口，带 overlap | 简单、可控、块大小均匀 | 易截断语义、切断句子 | 规整文本、日志 |
| 按句子 | 先断句，再聚合成 ≤size 的块 | 不切断句子，语义较完整 | 块大小不均，长段落堆积 | 文章、说明书 |
| 递归字符 | 按分隔符优先级 [段/句/逗号] 递归切 | 兼顾结构与语义，最常用 | 实现稍复杂 | 通用 RAG 默认 |
| 语义分块 | 按主题/向量相似度聚合相邻句 | 语义边界最自然 | 需向量模型，成本高 | 长论文、报告 |
本演示的「语义分块」为简化版：以相邻句关键词重合度近似主题边界，真实场景应替换为 Embedding 相似度。
④ 综合演示：端到端问答链路
一个问句如何走完「意图识别 → 链路编排 → 知识检索(Chunk) → 大模型生成」全流程。
1提问
内置了一个微型知识库（产品/排障文档）。输入问题，看系统如何作答。
2执行流水线
逐步展开每一环的真实输出。