DAM-Scout 智能素材策展助手

基于 RAG + LangGraph 的智能素材策展引擎。用户输入自然语言需求，系统自动分析意图、规划检索任务、从向量数据库中召回匹配素材，由 LLM 生成专业策展方案。

---

系统架构

graph LR
    A[Spring Boot] -- REST --> B[DAM-Scout]

    subgraph DAM-Scout
        C[FastAPI] --> D[LangGraph]
        D --> E[Retriever]
        D --> F[Generator]
    end

    subgraph External
        G[ChromaDB]
        H[DashScope]
    end

    E --> G
    F --> H
    B --> C

Loading

LangGraph 5 节点工作流

graph TB
    A[用户需求] --> B[Intent Analyzer<br/>意图分析]
    B --> C[Planner<br/>任务规划]
    C --> D[Retriever<br/>向量召回]
    D --> E[Filter<br/>过滤去重]
    E --> F[Generator<br/>方案生成]
    F --> G[策展方案 + 推荐素材]

    style B fill:#E8F5E9
    style C fill:#E3F2FD
    style D fill:#FFF3E0
    style E fill:#FCE4EC
    style F fill:#F3E5F5

Loading

功能特性

策展搜索（主接口）

• 用户输入自然语言需求（如"电商大促的科技感横幅"）
• 自动提取行业、用途、场景、风格 4 类结构化意图
• 基于意图生成 2-3 组多路检索任务，提高召回覆盖率
• Top-5 语义检索 + 元数据过滤 + 结果去重
• 大模型生成包含主视觉推荐、配色建议、搭配说明的策展方案

向量管理

• 图片入库：元信息向量化存入 ChromaDB（1024 维）
• 增删改同步：Spring Boot 通过 @Async 自动同步
• 批量导入脚本：MySQL → ChromaDB 全量同步

双模式 LLM

• 云端模式：DashScope Qwen-Turbo（默认，速度快）
• 本地模式：Ollama Qwen3:4b（离线可用）

服务访问

服务	地址	说明
RAG 服务	http://localhost:8000	FastAPI 主服务
Swagger 文档	http://localhost:8000/docs	API 接口文档
前端页面	http://localhost:5173/ai_search	AI 搜图页面
后端中转	http://localhost:8123/api/ai/search	Spring Boot 转发接口

API 接口

POST /scout/search — 策展搜索

请求：

{
  "query": "给电商大促准备一组科技感的横幅和背景图",
  "top_k": 5
}

响应：

{
  "intent": {
    "industry": "电商",
    "purpose": "大促活动",
    "scene": "线上推广",
    "style": "科技感"
  },
  "tasks": [
    { "task_type": "banner", "description": "..." }
  ],
  "recommendations": [
    {
      "pictureId": "1001",
      "title": "蓝色科技横幅",
      "category": "banner",
      "score": 0.92,
      "task_type": "banner",
      "reason": "深蓝渐变背景搭配几何线条，符合科技感调性"
    }
  ],
  "answer": "根据您的需求分析，为您策划了一组科技感素材..."
}

向量管理

方法	路径	说明
POST	/embedding/add	图片入库，生成向量
DELETE	/embedding/{pictureId}	删除图片向量
PUT	/embedding/update	更新图片向量

POST /rag/search — 基础 RAG 搜图

{ "query": "科技感背景", "top_k": 5 }

快速开始

环境要求

• Python 3.11+
• DashScope API Key（阿里百炼控制台 获取）

1. 克隆 & 创建虚拟环境

git clone https://github.com/konlue/dam-scout.git
cd dam-scout
python -m venv venv
venv\Scripts\activate        # Windows
# source venv/bin/activate   # macOS / Linux

2. 安装依赖

pip install -r requirements.txt

3. 配置环境变量

cp .env.example .env

编辑 .env，填入 DashScope API Key：

MODEL_PROVIDER=dashscope
DASHSCOPE_API_KEY=sk-your-actual-key-here

4. 启动服务

uvicorn app.main:app --reload --port 8000

访问 http://localhost:8000/docs 查看 Swagger 文档。

5. 向量数据同步

首次使用需要将图片数据同步到 ChromaDB 向量数据库：

# 编辑 sync_embeddings.py 中的数据库连接信息后执行
python sync_embeddings.py

后续图片的增删改会通过 Spring Boot 自动同步向量。

配置说明

环境变量	默认值	说明
MODEL_PROVIDER	dashscope	dashscope 或 ollama
DASHSCOPE_API_KEY	—	阿里百炼 API Key
LLM_MODEL	qwen-turbo	百炼 LLM 模型名称
EMBEDDING_MODEL	text-embedding-v3	百炼 Embedding 模型名称
OLLAMA_BASE_URL	http://localhost:11434	Ollama 地址
OLLAMA_LLM_MODEL	qwen3:4b	Ollama 模型
CHROMA_PERSIST_DIR	./chroma_data	ChromaDB 存储目录
CHROMA_COLLECTION_NAME	picture_embeddings	集合名称
RAG_TOP_K	5	检索返回数量

本地离线模式

MODEL_PROVIDER=ollama

需提前安装 Ollama 并拉取模型：ollama pull qwen3:4b

Spring Boot 集成

文件	说明
AIController.java	AI 接口控制器
AIManager.java	调用本服务的客户端封装
AIEmbeddingRequest.java	向量入库请求 DTO
AISearchRequest.java	搜索请求 DTO
AISearchResponse.java	搜索响应 DTO

前端调用 POST /api/ai/search，由 Spring Boot 转发到本服务（默认 http://localhost:8000）。

效果展示

AI 搜图主页

策展结果

许可证

本项目仅供交流学习使用。