将文本切分为 Chunk 列表 @param text 原始文本 @param documentId 文档 ID @return Chunk 列表

按策略将全文切分为块列表。

置信度不足时生成澄清提示语。

清洗文本：去除多余空白、特殊字符

清除会话的短期记忆

绑定全局 session 工厂。

corsMiddleware 跨域资源共享中间件

删除缓存

按主键删除向量。

直接对话模式（不经过 Agent 编排）

根据模式分发到对应的 Agent

实际执行逻辑（子类实现） @param parameters 工具参数 @return 文本形式的执行结果

确保集合已加载到内存

工具执行入口（模板方法） <p> 负责统一的日志记录、耗时计算、异常捕获 @param parameters 工具参数 @return 执行结果

执行查询；可传入 session=AsyncSession 覆盖默认工厂。

按顺序执行子任务；tool 类型调用工具，reasoning 类型用 LLM 综合上下文。

设置过期时间

extractAction 从 LLM 响应中提取 Action（工具调用）

extractFinalAnswer 从 LLM 响应中提取最终答案

extractThought 从 LLM 响应中提取思考内容

占位向量生成（1536维，模拟 OpenAI text-embedding-ada-002） 生产环境应替换为真实 Embedding 模型调用

generatePlan 调用 LLM 生成执行计划

生成对话摘要（通过 LLM 提取关键信息） @param conversationHistory 对话历史 @return 摘要文本

generateWithoutRefs 在没有检索到相关文档时直接生成回答

获取所有已注册工具

getLastNChars 获取字符串最后 N 个字符

获取参数 JSON Schema 描述

获取最近 N 轮对话

获取当前熔断器状态

根据名称获取工具

handleComplexTask 处理复杂任务：先规划再逐步执行

handleRAGQuery 处理知识库查询：检索 → 重排 → 生成

混合检索：并行向量 + BM25，RRF 融合。

initLogger 根据配置初始化 zap 日志

创建异步引擎（应用启动时调用一次）。

插入向量与元数据；主键取自 metadata 中的 id 字段。

关键词检索（简化实现，生产环境可对接 Elasticsearch）

右侧追加到列表（用于消息历史）

裁剪列表，只保留指定范围

基于 LLM 的意图识别（兜底方案）

将 Chunk 向量化并存入 Milvus <p> 生产环境应通过 Embedding 模型生成真实向量， 此处使用占位向量演示流程。

loggerMiddleware 请求日志中间件

合并去重：相同文档取最高分

将同步驱动 URL 转为 SQLAlchemy 异步 URL。

parseHTML 解析 HTML 文档（简化实现，实际应使用 goquery 等库）

parseMarkdown 解析 Markdown 文档，提取标题层级结构

从内存字节解析。

执行完整的 ETL 流程 @param file 上传的文件 @return 处理结果

readSSEStream 在独立的 goroutine 中读取 SSE 流

按语义在指定会话内召回记忆。

reciprocalRankFusion 倒数排名融合算法（RRF）。 将多路检索结果按照 RRF 公式进行分数融合：score = Σ 1/(k + rank_i)。 k 是平滑常数，通常取 60。

识别用户意图；context 可包含历史轮次等（当前规则引擎未使用）。

对助手答案进行质量检查。 evidence_snippets：可选的检索或工具观察片段，用于对照幻觉。 trace_summary：可选的执行轨迹摘要，用于判断推理是否支撑结论。

注册工具

registerBuiltinTools 注册所有内置工具

根据执行结果与错误重新生成子任务列表。

requestIDMiddleware 为每个请求生成唯一的 Trace ID

对检索结果进行重排序 @param query 用户查询 @param results 初始检索结果 @return 重排后的结果

执行多路检索 @param query 用户查询 @param queryVector 查询向量（如果为 null 会尝试生成） @return 检索结果列表

基于规则的快速意图判断

对上传字节执行解析与分块；可选异步回调处理向量入库等。

高层封装：计划 → 执行；失败则重规划并最多重试 max_replan_attempts 次。

保存助手回复

使用 LLM 为单个文档评分

向量相似度检索，返回命中 id 与距离。

setDefaults 设置所有配置项的默认值

splitByFixedSize 按固定字符数分块，支持滑动窗口重叠

splitBySemantic 按语义段落分块（基于段落标题和空行）

splitBySentence 按句子分块，尽量在句子边界处切分

splitBySeparators 按多个分隔符切分文本，保留分隔符

超长段落的强制切分

summarize 汇总步骤执行结果，生成最终答案

toLLMResponse 转换为内部统一的 LLM 响应格式

truncate 截断字符串，超过 maxLen 的部分用省略号代替

参数校验（子类可覆盖）

向量语义检索

携带追踪 ID 的成功响应

AddEvent 在当前 Span 上添加事件

BatchExecute 并发执行多个工具调用。 使用 goroutine 并发执行，通过 channel 收集结果。

Chat 通过路由选择模型并发送对话请求。 如果请求指定了模型则使用指定模型，否则使用默认模型。 当目标模型熔断时自动降级到其他可用模型。