第七篇章：项目实战——从零到上线

本篇目标：做一个真正可上线的 AI 智能助手（支持 Agent + RAG + 用户系统 + 流式对话）
最终效果：一个类似 ChatGPT 的 Web 应用（可登录、可聊天、可查知识库）
技术栈：FastAPI + LangGraph + ChromaDB + Vue3 + SQLite/PostgreSQL + Nginx
前置知识：RAG + Agent + LangGraph 基础

一、项目我们要做什么？

我们要做一个完整 AI Web 应用，包含：

🤖 1. AI 对话能力（Agent）

• 可以问：
  • 今天北京天气
  • 现在几点
  • 2+3*4是多少
  • 记录一个笔记

📚 2. 知识库问答（RAG）

• 上传 PDF / TXT / Word
• AI 可以基于文档回答问题

👤 3. 用户系统

• 注册
• 登录
• JWT 鉴权

💬 4. 流式对话

• AI 像 ChatGPT 一样“打字输出”

📝 5. 对话历史

• 每个用户有自己的聊天记录

二、系统整体架构（先建立全局认知）

前端 Vue3 ↓ HTTP / SSE FastAPI 后端 ↓ ┌─────────────────────────────┐ │ Agent系统（LangGraph） │ │ RAG系统（ChromaDB） │ │ 用户系统（JWT） │ └─────────────────────────────┘ ↓ SQLite / PostgreSQL + 向量数据库

三、项目初始化

3.1 创建项目

mkdir ai-assistant cd ai-assistant mkdir backend frontend

3.2 后端安装依赖

cd backend pip install fastapi uvicorn sqlalchemy python-jose passlib bcrypt \ python-multipart langchain langgraph chromadb \ langchain-openai pypdf2 python-docx

3.3 requirements.txt

fastapi uvicorn sqlalchemy python-jose[cryptography] passlib[bcrypt] python-multipart langchain langgraph chromadb langchain-openai pypdf2 python-docx

四、后端基础搭建

4.1 项目结构

backend/ ├── main.py ├── database.py ├── models.py ├── auth.py ├── config.py ├── agent/ ├── rag/

五、基础配置

5.1 config.py

import os from dotenv import load_dotenv load_dotenv() DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY", "") DEEPSEEK_BASE_URL = "https://api.deepseek.com" MODEL_NAME = "deepseek-chat" SECRET_KEY = os.getenv("SECRET_KEY") ALGORITHM = "HS256" ACCESS_TOKEN_EXPIRE_MINUTES = 60 * 24 DATABASE_URL = "sqlite:///./app.db" CHROMA_PATH = "./chroma_db"

六、数据库设计

6.1 为什么要用数据库？

因为我们要保存：

• 用户
• 对话
• 消息历史

6.2 models.py

from sqlalchemy import Column, Integer, String, DateTime, ForeignKey, Text from sqlalchemy.orm import relationship from datetime import datetime from database import Base class User(Base): __tablename__ = "users" id = Column(Integer, primary_key=True) username = Column(String, unique=True) hashed_password = Column(String) conversations = relationship("Conversation", back_populates="user") class Conversation(Base): __tablename__ = "conversations" id = Column(Integer, primary_key=True) user_id = Column(Integer, ForeignKey("users.id")) title = Column(String, default="新对话") messages = Column(Text, default="[]") # 简化存储 user = relationship("User", back_populates="conversations")

七、JWT用户系统

7.1 功能

• 注册
• 登录
• token鉴权

7.2 核心代码（auth.py）

from jose import jwt from passlib.context import CryptContext from datetime import datetime, timedelta pwd_context = CryptContext(schemes=["bcrypt"]) SECRET_KEY = "secret" ALGORITHM = "HS256" def hash_password(pwd): return pwd_context.hash(pwd) def verify_password(pwd, hashed): return pwd_context.verify(pwd, hashed) def create_token(user_id): expire = datetime.utcnow() + timedelta(days=1) return jwt.encode({"sub": str(user_id), "exp": expire}, SECRET_KEY, algorithm=ALGORITHM)

八、FastAPI主入口

8.1 main.py（核心）

from fastapi import FastAPI, Depends from fastapi.middleware.cors import CORSMiddleware from database import Base, engine Base.metadata.create_all(bind=engine) app = FastAPI() app.add_middleware( CORSMiddleware, allow_origins=["*"], allow_methods=["*"], allow_headers=["*"] )

九、Agent系统（核心）

9.1 我们要做什么？

让 AI 能：

• 自动选择工具
• 自动调用函数
• 自动返回结果

9.2 tools.py

from langchain_core.tools import tool from datetime import datetime @tool def get_time(): return datetime.now().strftime("%Y-%m-%d %H:%M:%S") @tool def calculator(expr: str): try: return str(eval(expr)) except: return "计算错误"

9.3 Agent创建

from langgraph.prebuilt import create_react_agent from langchain_openai import ChatOpenAI def create_agent(): llm = ChatOpenAI(model="deepseek-chat", streaming=True) return create_react_agent( model=llm, tools=[get_time, calculator] )

十、RAG知识库系统

10.1 目标

让 AI 可以读 PDF 并回答问题

10.2 文档加载

from PyPDF2 import PdfReader def load_pdf(path): reader = PdfReader(path) return "\n".join([p.extract_text() for p in reader.pages])

10.3 向量数据库

from langchain_chroma import Chroma vectorstore = Chroma( persist_directory="./chroma_db" )

10.4 RAG核心流程

文档 → 切分 → 向量化 → 存储 → 检索 → LLM回答

十一、API接口设计

11.1 登录

@app.post("/login") def login(): return {"token": "xxx"}

11.2 聊天接口

@app.post("/chat") def chat(): return StreamingResponse(stream())

11.3 流式输出

def stream(): yield "data: hello\n\n"

十二、前端 Vue3

12.1 页面结构

LoginView ChatView

12.2 聊天核心逻辑

fetch("/chat").then(res => { const reader = res.body.getReader() })

12.3 UI能力

• Markdown渲染
• 实时输出
• 对话列表

十三、知识库上传

@app.post("/upload") async def upload(file: UploadFile): content = await file.read()

十四、运行项目

后端

uvicorn main:app --reload

前端

npm run dev

十五、部署上线

Nginx

Vue3 → 静态文件 API → FastAPI

HTTPS

certbot --nginx

十六、本项目你真正学到的东西

技术能力

• FastAPI后端开发
• JWT认证系统
• Agent（LangGraph）
• RAG知识库系统
• SSE流式通信
• Vue3前端开发

工程能力

• 前后端分离
• 模块化设计
• AI系统集成
• 简易生产部署

下一篇预告

第八篇章：进阶视野 & 面试准备——模型微调概览、多模态入门、MCP 协议、RAG/Agent 面试高频考点、八篇章结业总结。