??? 技術全景速覽

?? Day 0：需求澄清 & 數據盤點

1. 需求拆解

2. 數據樣例

課程編號: ADP-303  
章節: Lab3 Kubernetes 網絡  
內容: 使用 Calico 作為 CNI，默認 IPPool 為 192.168.0.0/16...

?? Day 1：Pipeline 搭建

流程圖：RAG 數據流

1. 文檔解析 & 分塊

from langchain.document_loaders import DirectoryLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

loader = DirectoryLoader("data/", glob="**/*.pdf")
docs = loader.load()

splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)
chunks = splitter.split_documents(docs)

2. Embedding & 入庫

import weaviate
client = weaviate.Client("http://localhost:8080")

with client.batch as batch:
    for c in chunks:
        batch.add_data_object(
            data_object={"text": c.page_content},
            class_name="ADPKnowledge"
        )

?? Day 2：API 服務 & 低延遲調優

1. FastAPI 核心代碼

from fastapi import FastAPI
from pydantic import BaseModel
import weaviate, openai, os

app = FastAPI()
client = weaviate.Client("http://localhost:8080")
openai.api_key = os.getenv("AZURE_OPENAI_KEY")

class Query(BaseModel):
    q: str

@app.post("/ask")
def ask(query: Query):
    near_text = {"concepts": [query.q]}
    res = client.query.get("ADPKnowledge", ["text"])\
        .with_near_text(near_text)\
        .with_limit(5)\
        .do()

    context = " ".join([r["text"] for r in res["data"]["Get"]["ADPKnowledge"]])
    prompt = f"根據以下內容回答：{context}\n問題：{query.q}"

    gpt_resp = openai.ChatCompletion.create(
        engine="gpt-4o",
        messages=[{"role": "user", "content": prompt}],
        max_tokens=256,
        temperature=0.1
    )
    return {"answer": gpt_resp.choices[0].message.content}

2. 延遲壓測結果

結論：單副本即可滿足 SLA，后續可水平擴展。

?? 前端體驗 & 圖標

1. Markdown 友好提示

• ? 代碼高亮
• ? 表格渲染
• ? 數學公式

?? 上線后數據（真實運行 7 天）

??? 安全與合規

?? 真實案例：Lab3 網絡故障排查

用戶提問：
“Pod 無法跨節點通信，但同節點正常，如何排查？”

RAG 回答：

1. 確認 CNI 為 Calico ?
2. 檢查 calico/node Pod 日志是否有 BGP not ready
3. 查看節點間 179 端口是否被防火墻攔截
4. 若使用 IP-in-IP 模式，確認 CALICO_IPV4POOL_IPIP=Always

結果：用戶 3 分鐘定位到防火墻策略問題，實驗提前 40 分鐘完成。

?? CI/CD & 版本管理

GitHub Actions 工作流

name: deploy-rag-api
on:
  push:
    branches: [main]
jobs:
  docker-build:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: docker/build-push-action@v5
        with:
          tags: ghcr.io/adp-it/rag-api:latest

可插拔擴展

?? 對比：傳統 FAQ vs RAG

? 總結

通過 RAG 低延遲架構，我們在 2 天內將 ADP IT 課程的零散知識轉化為可對話、可擴展、可觀測的問答 API；在保證安全合規的同時，把平均響應時間控制在 500 ms 以內，用戶體驗和運維成本實現雙贏。未來可繼續接入更多企業知識庫，打造統一的企業級 AI 助手底座。