aiagent/知识库问答助手测试总结.md

知识库问答助手测试总结

测试时间

2026-01-23 00:00

Agent信息

• 名称: 知识库问答助手
• ID: 45c56398-ad1d-4533-89e0-ba02f9c47932
• 状态: published（已发布）
• 节点数量: 10个
• 连接数量: 9条

工作流结构

1. 开始节点 - 接收用户问题
2. 问题预处理 - 整理输入数据
3. 文本向量化 - HTTP节点调用DeepSeek embedding API
4. 提取向量 - JSON节点提取embedding向量
5. 准备搜索数据 - 合并向量和查询文本
6. 知识库检索 - 向量数据库节点进行语义搜索
7. 整理检索结果 - 合并搜索结果和查询
8. 生成答案 - LLM节点基于检索结果生成答案
9. 提取最终答案 - JSON节点提取最终文本
10. 结束节点 - 返回答案

测试结果

测试输入

问题: 什么是人工智能？

执行状态

• 状态: failed（执行失败）
• 执行时间: 2240ms
• 执行ID: e775395c-a306-4544-abaf-357c9245f56e

错误分析

1. HTTP节点调用embedding API失败

• 错误信息: "Not Found. Please check the configuration."
• 节点: http-embedding
• API URL: https://api.deepseek.com/v1/embeddings
• 模型: deepseek-embedding
• 问题: DeepSeek可能不支持embedding API，或者URL/模型名称不正确

2. 向量数据库节点无法获取查询向量

• 错误信息: "节点 vector-search 执行失败: 向量数据库操作失败: 无法获取查询向量"
• 节点: vector-search
• 原因: 由于embedding API调用失败，没有获取到向量数据

执行日志关键信息

[3] 2026-01-22 16:00:25 [INFO]
    节点: http-embedding (http)
    消息: 节点 http-embedding (http) 开始执行
    
[10] 2026-01-22 16:00:26 [ERROR]
    节点: http-embedding (http)
    消息: HTTP请求失败: 404
    数据: {
      "error_msg": "Not Found. Please check the configuration."
    }
    
[11] 2026-01-22 16:00:26 [INFO]
    节点: vector-search (vector_db)
    消息: 节点 vector-search (vector_db) 开始执行
    
[13] 2026-01-22 16:00:26 [ERROR]
    节点: (无) ((无))
    消息: 工作流任务执行失败
    错误: 节点 vector-search 执行失败: 向量数据库操作失败: 无法获取查询向量

问题根因

1. DeepSeek Embedding API不支持或配置错误

   • DeepSeek可能不提供embedding API
   • 或者需要使用不同的API端点/模型名称
   • 需要验证DeepSeek是否支持embedding功能

2. 缺少备选方案

   • 当前工作流完全依赖embedding API
   • 没有fallback机制处理API调用失败的情况

解决方案

方案1: 使用其他embedding服务

1. 使用OpenAI Embedding API

   • URL: https://api.openai.com/v1/embeddings
   • 模型: text-embedding-ada-002 或 text-embedding-3-small
   • 需要配置OpenAI API Key

2. 使用本地embedding模型

   • 使用sentence-transformers等库
   • 在服务器端运行embedding模型
   • 通过HTTP节点调用本地服务

方案2: 简化工作流（用于测试）

1. 跳过embedding步骤

   • 直接使用文本关键词匹配
   • 或者使用LLM节点进行语义理解
   • 简化向量数据库的使用

2. 使用预计算的向量

   • 预先将知识库文档向量化
   • 存储向量数据
   • 查询时只需要搜索，不需要实时向量化

方案3: 修复DeepSeek配置

1. 验证DeepSeek API文档
   • 确认是否支持embedding
   • 确认正确的API端点和模型名称
   • 更新HTTP节点配置

下一步行动

1. 验证DeepSeek Embedding API

   • 查阅DeepSeek官方文档
   • 测试API端点是否可用
   • 确认模型名称是否正确

2. 准备测试数据

   • 创建知识库文档
   • 将文档向量化并存储到向量数据库
   • 使用knowledge_base集合

3. 修复或替换embedding节点

   • 根据验证结果修复DeepSeek配置
   • 或替换为其他embedding服务
   • 或使用简化方案

4. 重新测试

   • 修复后重新执行测试
   • 验证完整工作流是否正常
   • 测试知识库检索和答案生成

测试命令

# 发布Agent
python3 publish_agent.py "知识库问答助手"

# 测试Agent
python3 test_workflow_tool.py -a "知识库问答助手" -i "什么是人工智能？"

# 查看执行日志
python3 check_execution_logs.py

相关文件

• Agent生成脚本: backend/scripts/generate_knowledge_base_qa_agent.py
• 测试工具: test_workflow_tool.py
• 日志查看工具: check_execution_logs.py
• 发布脚本: publish_agent.py

注意事项

1. 知识库数据准备

   • 需要先准备知识库文档
   • 文档需要向量化并存储
   • 集合名称必须是knowledge_base

2. API配置

   • 确保embedding API可用
   • 配置正确的API Key
   • 验证API端点和模型名称

3. 向量数据库

   • 当前使用内存存储（简化实现）
   • 生产环境应使用ChromaDB、Pinecone等
   • 数据在服务重启后会丢失

---

测试完成时间: 2026-01-23 00:02 测试人员: AI Assistant