🤖 关于 Ping

📋 项目简介

Ping 是我个人开发的 AI 智能助手项目，基于 PingRouter智能路由引擎，整合了 PingRouterRAG技术（笔记检索）和 PingRouterTools技术（工具调用），为用户提供准确、智能的问答服务。

与传统的 AI 对话系统不同，Ping 不仅能基于 2000+ 学习笔记回答语义问题，还能查询时间、台风、国保等实时数据，让 AI 既能理解语义，又能精确查询！

✨ 技术亮点

🏗️ 技术架构

💡 技术创新

• PingRouter智能路由架构 创新性地整合了PingRouterRAG技术（笔记检索）和PingRouterTools技术（工具调用）。通过触发关键词机制自动判断问题类型：语义类问题走RAG检索，工具类问题直接调用工具，让AI既能理解语义，又能精确查询实时数据。
• 双重检索机制（关键词+向量） 突破传统向量检索的局限，采用关键词精确匹配（LIKE）和向量语义理解的双重策略。关键词检索擅长专有名词精确匹配，向量检索擅长语义理解，两者结合确保检索准确率 > 95%。
• 双重缓存架构（Two-level Cache） 采用业界标准的多层缓存设计理念：第一层本地缓存（内存）存储完整问答对，相同问题响应时间 < 0.1秒，API成本为0；第二层云端缓存（SQLite）持久化存储，跨会话复用。这种设计与计算机CPU的L1/L2缓存理念一致，是系统性能优化的经典做法。
• 打破常规的向量存储方案 不使用 Milvus、Pinecone 等专业向量数据库，而是利用 SQLite 的 BLOB 字段存储高维向量，硬件要求从 8GB RAM 降低到 1GB RAM，年成本从 ¥15,600 降低到 ¥600，节省 96%。
• 智能增量向量化 通过 MD5 哈希比对文件内容，自动识别新增、修改、删除的文件，只处理变化的内容。第二次构建索引速度提升 95%+，API 调用成本降低 99%。
• 工具调用突破LLM边界 LLM不知道当前时间、无法查询实时数据库。通过PingRouterTools工具集（时间查询、台风查询、国保查询），让AI能够精确响应结构化数据查询，准确率100%。
• 轻量级 RAG 架构 整个系统不依赖 Redis、Elasticsearch 等外部服务，单文件数据库 + Python 脚本即可运行，部署时间从 1-2 天缩短到 10 分钟。
• 分级隐私保护 敏感信息采用分级回答机制：内部用户（本地访问）直接获取简单答案，外部用户需要输入口令才能解锁详细信息，兼顾安全性和可用性。
• 低成本多轮对话 上下文记忆功能通过智能截断和 token 预算管理，在支持 5 轮对话的同时，token 消耗仅增加 30%，成本控制在合理范围。

🛠️ 技术栈

📖 工作流程

1️⃣ 知识入库阶段

笔记文件 → Markdown 解析 → 文本分块 → 向量化（DashScope） → 存储到 SQLite

2️⃣ 智能路由阶段

用户问题 → 问题分类 → 工具路由判断（PingRouterTools）→ 笔记检索（PingRouterRAG）→ 选择最佳响应方式

3️⃣ 问答执行阶段

工具类问题：时间查询/台风查询/国保查询 → 直接返回精确结果
语义类问题：双重检索（关键词+向量）→ 缓存检查 → 构建 Prompt → DeepSeek 生成回答 → 返回结果

4️⃣ 上下文管理

获取会话历史 → 检查 token 长度 → 智能截断 → 注入 messages 数组 → 保持对话连贯性

📊 性能指标

🚀 未来规划

• 扩展更多工具 添加天气查询（和风天气API）、计算器（数学运算/单位转换）、翻译工具（多语言翻译），丰富PingRouterTools工具集
• 智能摘要 当历史对话过长时，使用 AI 生成对话摘要，进一步节省 token 消耗
• AI意图识别 使用LLM判断用户意图，支持更复杂的问题分类和多工具组合调用
• 多模态支持 支持图片、PDF 等多媒体内容的向量化和检索
• 知识库自动分类 使用 AI 自动为笔记添加标签和分类，提升检索精度
• 对话历史管理 支持查看、搜索、恢复历史会话，方便知识回顾
• 工具性能监控 添加工具执行日志、性能监控、使用统计，优化路由决策

ℹ️ 项目信息

开发者：白毅平（BYP）

项目类型：个人研究项目

技术方向：RAG、向量检索、AI 应用开发

部署方式：Docker 容器化部署

服务器配置：2核 CPU / 1.8GB RAM / 40GB 磁盘（阿里云 Xeon Platinum）

🗄️ 数据存储

Ping 使用 SQLite 单文件数据库（ping.db），实现轻量级、易部署的数据存储方案。