【Azure 架构师学习笔记 】- Azure AI(22) -AI知识库Agent平台（1）- 项目启动及基础搭建

本文属于【Azure 架构师学习笔记】系列。

本文属于【Azure AI】系列。

接上文 【Azure 架构师学习笔记 】- Azure AI(21) - Azure Agent进阶优化

前言

接下来打算用几篇文章来演示一个知识库Agent平台的搭建。把它当成一个"项目"来做。

一、整体规划

1. 项目总内容：围绕企业级AI知识库Agent平台核心功能，分8步完成基础搭建与RAG核心落地。 全程优先使用免费工具/系统自带工具。
2. 8步计划及当前进度：

• 第1步：项目初始化与需求拆解（当前进度：正在推进）
• 第2步：文档处理模块升级（从单文件到批量+标准化，复用免费工具）
• 第3步：RAG核心------文档分块策略
• 第4步：向量嵌入与向量数据库实操（Milvus，开源免费，搭配免费可视化工具）
• 第5步：RAG闭环实现（检索+生成+幻觉优化，用免费工具调试）
• 第6步：混合检索（向量+关键词）优化检索效果（基于免费工具扩展）
• 第7步：多轮问答与记忆系统升级（无需付费LLM，可适配开源免费模型）
• 第8步：项目复盘与优化（架构思维培养，用免费工具整理复盘报告）

3. 当前所处步骤：第1步 项目初始化与需求拆解（核心目标：完成项目初始化全流程，包括需求拆解、基础架构设计、开发环境搭建，衔接已有Azure OpenAI配置；）

二、第1步：项目初始化与需求拆解

一、讲解

第一天核心目标：完成「项目初始化全流程」，包括需求拆解、基础架构设计、开发环境搭建，无需额外找资料，跟着步骤走即可完成；全程优先使用系统自带工具、开源免费工具，无需付费，耗时1.5-2小时。

（一）需求拆解：企业级AI知识库Agent平台

需求拆解是架构师的核心能力，不能只列功能，要区分「功能需求」和「非功能需求」，同时结合已有的技术储备，避免冗余开发；可借助系统自带的记事本/备忘录（Windows记事本、Mac备忘录）或免费工具（如Notion、飞书文档）整理需求，无需复杂工具，简单记录即可。

1. 功能需求：

• 文档批量上传：复用前面Word/PDF/TXT读取能力，新增Excel读取，支持文件夹批量上传，无需手动单个处理；后续实操可用系统自带的文件管理器辅助批量筛选文件。
• 文档分块：解决长文档语义丢失问题，为后续向量存储做准备；可借助免费工具（如Notepad++）模拟分块逻辑。
• 向量存储：将分块后的文本转换为向量，存入Milvus（向量库，开源免费），实现精准检索；Milvus可免费部署。
• 智能检索：先实现基础向量检索，后续升级为混合检索（向量+关键词），适配实际检索场景；检索调试可用免费工具（如Postman免费版）辅助。
• 多轮问答：对话记忆能力，实现上下文关联，无需用户重复提问；若暂无Azure OpenAI，可替换为开源免费LLM（如Llama 3、Qwen）。
• 总结导出：支持将问答结果、文档总结导出为Excel/TXT，贴合办公场景需求；导出功能用Python自带库实现。

2. 非功能需求：

• 高可用：避免单点故障（如LLM调用失败、向量库崩溃），后续通过Docker/K8s实现（Docker免费，K8s开源免费）。
• 高并发：支持多用户同时上传、检索，后续通过批量处理、缓存优化实现；缓存可用Python自带的缓存库。
• 低延迟：检索+生成响应时间控制在1-2秒内，后续通过推理优化、索引优化实现；索引优化用Milvus自带功能。
• 可监控：能实时查看LLM调用状态、检索效果、系统报错，后续通过LLMOps实现（用开源免费工具Prometheus+Grafana）。
• 可扩展：支持后续添加权限管理、多租户、多Agent协作等功能，架构设计时预留扩展空间；扩展逻辑可用免费绘图工具绘制，方便后续对接。
• 成本可控：优化LLM调用Token消耗、向量库存储成本，后续通过缓存、量化实现。

（二）项目架构设计

架构设计无需复杂，重点是「模块化拆分」（高内聚、低耦合），让每个模块职责清晰，后续可独立扩展，同时衔接已有的技术能力；架构图优先使用免费/自带工具绘制，推荐3种免费方案。

1. 免费绘图工具推荐（3种方案，均免费、易操作，适配新手）：

• 方案1：系统自带工具（零成本，无需安装）------ Windows用「画图3D」，Mac用「预览」自带的绘图功能。
• 方案2：开源免费工具（功能完善）------ DrawIO（浏览器在线使用，支持导出PNG、PDF，架构师常用），官网：https://app.diagrams.net/，无需注册即可使用。
• 方案3：办公软件自带功能（复用性强）------ WPS/Office自带的「SmartArt」或「绘图」功能，简单拖拽模块，即可快速绘制模块化架构图，适合习惯用办公软件的同学。

2. 核心架构图：
   核心架构（分层清晰，用免费工具拖拽模块即可绘制，标注每个层的核心职责）：
   用户层 → 应用层 → 核心层 → 基础层 → 存储层

• 用户层：简化版Web界面。
• 应用层：封装用户交互逻辑（文件上传入口、问答输入框、结果展示、导出功能）；用Python自带库实现。
• 核心层：3个核心模块（文档处理模块、RAG模块、Agent模块），每个模块独立封装，可单独优化；模块逻辑用如DrawIO绘制模块依赖图。
• 基础层：Python、Azure OpenAI（可替换为开源免费LLM：Llama 3、Qwen）、LangChain（开源免费）。
• 存储层：Milvus（开源免费，向量存储）、本地文件存储、配置文件存储（本地文件）。

3. 架构图绘制步骤（以DrawIO为例）：

• 第一步：打开DrawIO官网（https://app.diagrams.net/），无需注册，直接点击「开始绘制」，选择「空白绘图」。

• 第二步：在左侧「形状」栏，选择「矩形」，拖拽5个矩形到画布，分别命名为「用户层」「应用层」「核心层」「基础层」「存储层」，按从上到下的顺序排列。
  

• 第三步：用左侧「连接线」工具，连接5个层（用户层→应用层→核心层→基础层→存储层），标注箭头方向，体现层级依赖关系。
  

• 第四步：绘制完成后，点击顶部「文件」→「导出为」，选择PNG格式，保存到项目根目录，后续可插入文档或面试时展示。

4. 核心模块职责：

• 文档处理模块：负责文件读取、批量处理、格式标准化、文档分块（复用文件处理能力，用Python自带库+免费工具辅助）。
• RAG模块：负责向量嵌入、向量检索、检索+生成闭环、幻觉优化（基于Milvus开源免费向量库）。
• Agent模块：负责多轮问答、记忆管理、工具调用（可适配开源免费LLM，降低成本）。

（三）开发环境搭建

复用已有的Python环境、Azure配置（若暂无，可后续替换为开源免费LLM），重点新增Milvus向量库安装，全程标注常见报错及解决方案，确保一次性成功；所有工具均为免费/开源，无需付费。

1. 环境前提（确认你已具备，无需重复安装，均为免费工具/组件）：

• Python 3.9-3.11（推荐3.10，开源免费，官网可直接下载，避免版本过高导致依赖包报错）。
• 已配置Azure OpenAI（若暂无，可先跳过，后续用开源免费LLM替换），拥有Endpoint、API Key、部署名（GPT-4、text-embedding-3-large）。
• 已安装基础依赖包：openpyxl（Excel读取，开源免费）、PyPDF2（PDF读取，开源免费）、python-docx（Word读取，开源免费）、requests（API调用，Python自带，免费）。

2. 新增依赖包安装：

# 核心依赖（LangChain：简化Agent/RAG开发，开源免费；pymilvus：Milvus客户端，开源免费）
pip install langchain==0.1.10 pymilvus==2.4.4
# 辅助依赖（日志、配置文件解析，均开源免费）
pip install python-dotenv loguru
# 后续文档处理、检索辅助依赖（提前安装，避免后续重复操作，均开源免费）
pip install whoosh sentence-transformers

3. Milvus向量库安装（两种方式，选一种即可，推荐方式1，简单易操作，开源免费）：

方式1：Docker Compose安装（推荐，无需配置复杂环境，适合新手；Docker免费，Milvus开源免费）

• 第一步：安装Docker和Docker Compose（已安装可跳过）
• Windows：安装Docker Desktop（官网下载，免费版足够用，勾选"Use WSL 2 instead of Hyper-V"），安装完成后启动Docker。
• Mac：安装Docker Desktop（官网下载，免费版足够用），启动后在偏好设置中开启Docker Compose。
• 第二步：创建Milvus配置文件（docker-compose.yml），用系统自带的记事本（Windows）、文本编辑（Mac）或免费工具（Notepad++）编写。
• 创建根目录命名：enterprise-ai-knowledge-agent（企业级AI知识库Agent平台）
• 新建一个文件夹（命名为milvus），在文件夹中创建文件docker-compose.yml，复制以下内容（直接复制，无需修改）：

version: '3.5'
services:
  etcd:
    image: quay.io/coreos/etcd:v3.5.5
    container_name: milvus-etcd
    environment:
      - ETCD_AUTO_COMPACTION_MODE=revision
      - ETCD_AUTO_COMPACTION_RETENTION=1000
      - ETCD_QUOTA_BACKEND_BYTES=4294967296
    volumes:
      - ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/etcd:/etcd
    command: etcd -advertise-client-urls=http://127.0.0.1:2379 -listen-client-urls http://0.0.0.0:2379

  minio:
    image: minio/minio:RELEASE.2023-03-20T20-16-18Z
    container_name: milvus-minio
    environment:
      MINIO_ROOT_USER: minioadmin
      MINIO_ROOT_PASSWORD: minioadmin
    volumes:
      - ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/minio:/data
    command: minio server /data
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:9000/minio/health/live"]
      interval: 30s
      timeout: 20s
      retries: 3

  milvus:
    image: milvusdb/milvus:v2.4.4
    container_name: milvus-standalone
    command: ["milvus", "run", "standalone"]
    environment:
      ETCD_ENDPOINTS: etcd:2379
      MINIO_ADDRESS: minio:9000
    volumes:
      - ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/milvus:/var/lib/milvus
    ports:
      - "19530:19530"
      - "9091:9091"
    depends_on:
      - etcd
      - minio

• 第三步：启动Milvus
• 确保docker服务启动。
• cmd 进入milvus文件夹，执行命令：docker-compose up -d
• 启动成功后，执行命令：docker ps，能看到3个容器（milvus-etcd、milvus-minio、milvus-standalone），状态为started即可。

方式2：本地安装（适合有一定环境配置经验的，略复杂，不推荐第一天尝试；）

4. 常见报错及解决方案：

• 报错1：Docker启动失败（Windows）→ 解决方案：开启WSL 2，重启Docker，若仍失败，卸载Docker重新安装，勾选WSL 2选项。
• 报错2：Milvus容器启动后立即退出 → 解决方案：检查端口19530、9091是否被占用，执行命令（Windows）：netstat -ano | findstr "19530"，找到占用进程并结束，再重启Milvus；同时注意，若访问http://127.0.0.1:2379 或 http://0.0.0.0:2379 提示"invalid link"，属于正常现象，该地址为Milvus内部依赖（etcd）的访问地址，无需手动访问，只需确认Milvus容器正常运行即可。
• 报错3：pip安装依赖包失败 → 解决方案：更换镜像源，执行命令：pip install 包名 -i https://pypi.tuna.tsinghua.edu.cn/simple；若访问该镜像源提示"link fetch error"，可更换为其他免费镜像源（如阿里云：https://mirrors.aliyun.com/pypi/simple/），均为免费可用。
• 报错4：Azure配置无法连接 → 解决方案：检查Endpoint、API Key是否正确，确认部署名与代码中一致，检查网络是否能访问Azure服务；若访问Azure Endpoint（如https://xxx.openai.azure.com/）提示"link dead"，需确认Endpoint地址是否正确、网络是否通畅，若暂无Azure，可后续替换为开源免费LLM（如Llama 3）。

5. 环境验证（第一天收尾，确保所有环境正常，用免费工具辅助验证）：
   编写简单测试代码，验证Python环境、Azure OpenAI（或开源LLM）、Milvus是否能正常连接，代码直接复制粘贴即可运行；验证过程中可使用系统自带的命令行、免费的代码编辑器（如VS Code免费版、Notepad++）编写代码。

二、实操实践

实操核心：搭建规范的项目目录、整合配置文件、验证环境，确保第一天就能完成项目初始化；所有实操工具均为免费/自带，无需额外付费。

（一）项目目录搭建

目录结构决定项目的可扩展性，避免后续代码混乱，严格按照以下结构创建，每个文件夹的作用已标注，无需额外新增文件夹；创建目录用系统自带的文件管理器（Windows资源管理器）。

1. 新建项目根目录（命名规范）：
   根目录命名：enterprise-ai-knowledge-agent（企业级AI知识库Agent平台）
2. 新建子文件夹及文件（逐一创建，不要遗漏）：
   enterprise-ai-knowledge-agent/ # 根目录
   ├── config/ # 配置文件（Azure、向量库、数据库）
   │ ├── init .py # 空文件，标记为Python包
   │ └── config.yaml # 配置文件，存储所有配置信息（核心）
   ├── core/ # 核心模块（RAG、Agent、文档处理）
   │ ├── init .py
   │ ├── rag/ # RAG模块（后续实现）
   │ │ └── init .py
   │ ├── agent/ # Agent模块（后续实现）
   │ │ └── init .py
   │ └── document/ # 文档处理模块（后续实现）
   │ └── init .py
   ├── llm/ # LLM调用（Azure OpenAI、开源免费LLM）
   │ ├── init .py
   │ └── azure_llm.py # Azure OpenAI调用封装（可替换为开源LLM）
   ├── storage/ # 存储模块（向量库、文件存储）
   │ ├── init .py
   │ └── milvus_client.py # Milvus客户端封装
   ├── utils/ # 工具类（容错、日志、通用函数）
   │ ├── init .py
   │ └── logger.py # 日志工具
   ├── app/ # 应用层（简化版Web界面）
   │ ├── init .py
   │ └── app.py # 基础Web界面（Flask开源免费）
   ├── llmops/ # LLMOps模块（后续升级，用开源免费工具）
   │ └── init .py
   ├── main.py # 项目入口（验证环境）
   └── requirements.txt # 依赖包清单（第一天生成）
   

3. 生成requirements.txt（后续部署、复用方便，用系统自带命令行执行）：
   打开命令行，进入项目根目录，执行命令：pip freeze > requirements.txt，生成依赖包清单，后续重新部署时可直接执行pip install -r requirements.txt安装所有依赖；命令行是系统自带工具，无需额外安装。

（二）配置文件整合

将Azure OpenAI、Milvus的配置集中管理，实现一键加载，避免后续代码中硬编码；配置文件用系统自带的记事本（Windows）、文本编辑（Mac）或免费工具（Notepad++）编写。

1. 编辑config/config.yaml文件（复制以下内容，替换为你的实际配置）：

# Azure OpenAI 配置（替换为你的实际信息；若暂无，可后续替换为开源免费LLM）
azure:
  openai:
    endpoint: "你的Azure OpenAI Endpoint"  # 例：https://xxx.openai.azure.com/（若提示link dead，检查地址正确性）
    api_key: "你的Azure API Key"
    deployment_name_gpt4: "你的GPT-4部署名"  # 例：gpt-4
    deployment_name_embedding: "你的Embedding部署名"  # 例：text-embedding-3-large
    api_version: "2024-02-15-preview"  # 固定版本，无需修改

# Milvus 配置（默认无需修改，若修改过Milvus端口，对应调整）
milvus:
  host: "localhost"
  port: 19530
  collection_name: "enterprise_knowledge_base"  # 向量库集合名，后续存储向量用
  vector_dim: 3072# 与Embedding模型维度一致（text-embedding-3-large为3072）

# 项目基础配置
project:
  file_upload_path: "./uploads"  # 上传文件存储路径
  log_path: "./logs"  # 日志存储路径
  similarity_threshold: 0.7  # 检索相似度阈值（后续用）

2. 配置文件加载封装（编写utils/init.py，实现一键加载配置，用免费代码编辑器编写）：

import yaml
import os

def load_config(config_path: str = "./config/config.yaml") -> dict:
    """
    加载配置文件
    :param config_path: 配置文件路径
    :return: 配置字典
    """
    if not os.path.exists(config_path):
        raise FileNotFoundError(f"配置文件不存在：{config_path}")
    with open(config_path, "r", encoding="utf-8") as f:
        config = yaml.safe_load(f)
    return config

# 全局配置，后续其他模块可直接导入使用
CONFIG = load_config()

（三）核心工具封装（第一天简化实现，后续逐步优化）

封装Azure OpenAI调用、Milvus客户端、日志工具，避免重复编码，贴合"复用、模块化"思维；所有封装依赖均为开源免费。

1. 日志工具（utils/logger.py）：简化实现，方便后续调试、排查问题，用开源免费库loguru实现）

from loguru import logger
import os
from utils import CONFIG

# 创建日志目录
log_path = CONFIG["project"]["log_path"]
if not os.path.exists(log_path):
    os.makedirs(log_path)

# 配置日志：输出到文件+控制台，按天分割
logger.add(
    os.path.join(log_path, "app_{time:YYYY-MM-DD}.log"),
    rotation="00:00",  # 每天分割日志
    retention="7 days",  # 保留7天日志
    compression="zip",  # 压缩过期日志
    encoding="utf-8"
)

# 简化日志调用，后续直接从utils导入logger即可
logger.info("日志工具初始化完成")

2. Azure OpenAI调用封装（llm/azure_llm.py，复用你已学的调用逻辑；若暂无Azure，可替换为开源免费LLM）

from openai import AzureOpenAI
from utils import CONFIG
from utils.logger import logger

class AzureLLMClient:
    def __init__(self):
        """初始化Azure OpenAI客户端；若暂无Azure，可替换为Llama 3等开源免费LLM"""
        self.client = AzureOpenAI(
            azure_endpoint=CONFIG["azure"]["openai"]["endpoint"],
            api_key=CONFIG["azure"]["openai"]["api_key"],
            api_version=CONFIG["azure"]["openai"]["api_version"]
        )
        self.gpt4_deployment = CONFIG["azure"]["openai"]["deployment_name_gpt4"]
        self.embedding_deployment = CONFIG["azure"]["openai"]["deployment_name_embedding"]
        logger.info("Azure OpenAI客户端初始化完成；若提示link dead，检查Endpoint地址和网络")

    def get_embedding(self, text: str) -> list:
        """
        获取文本的Embedding向量
        :param text: 输入文本
        :return: 向量列表
        """
        try:
            response = self.client.embeddings.create(
                input=text,
                model=self.embedding_deployment
            )
            return response.data[0].embedding
        except Exception as e:
            logger.error(f"获取Embedding失败：{str(e)}；若Azure无法连接，可后续替换为开源免费Embedding模型")
            raise e

    def chat_completion(self, prompt: str) -> str:
        """
        GPT-4对话生成
        :param prompt: 提示词
        :return: 生成的回答
        """
        try:
            response = self.client.chat.completions.create(
                model=self.gpt4_deployment,
                messages=[{"role": "user", "content": prompt}],
                temperature=0.7  # 温度参数，后续可优化
            )
            return response.choices[0].message.content
        except Exception as e:
            logger.error(f"GPT-4调用失败：{str(e)}；若Azure无法连接，可后续替换为Llama 3等开源免费LLM")
            raise e

# 全局客户端，后续其他模块可直接导入使用
AZURE_LLM_CLIENT = AzureLLMClient()

3. Milvus客户端封装（storage/milvus_client.py，第一天简化实现，能连接即可；Milvus开源免费）

from pymilvus import MilvusClient, CollectionSchema, FieldSchema, DataType
from utils import CONFIG
from utils.logger import logger

class MilvusStorage:
    def __init__(self):
        """初始化Milvus客户端，创建集合（若不存在）；Milvus开源免费，无需付费授权"""
        self.client = MilvusClient(
            uri=f"http://{CONFIG['milvus']['host']}:{CONFIG['milvus']['port']}"
        )
        self.collection_name = CONFIG["milvus"]["collection_name"]
        self.vector_dim = CONFIG["milvus"]["vector_dim"]
        # 检查集合是否存在，不存在则创建
        self._create_collection_if_not_exist()
        logger.info("Milvus客户端初始化完成；无需访问http://127.0.0.1:2379，容器正常运行即可")

    def _create_collection_if_not_exist(self):
        """创建Milvus集合（若不存在）"""
        if not self.client.has_collection(collection_name=self.collection_name):
            # 定义集合字段：id（主键）、text（分块文本）、vector（向量）、doc_name（文档名称）
            fields = [
                FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
                FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=4096),
                FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=self.vector_dim),
                FieldSchema(name="doc_name", dtype=DataType.VARCHAR, max_length=255)
            ]
            schema = CollectionSchema(fields=fields, description="企业级AI知识库向量集合")
            self.client.create_collection(collection_name=self.collection_name, schema=schema)
            logger.info(f"Milvus集合 {self.collection_name} 创建完成")
        else:
            logger.info(f"Milvus集合 {self.collection_name} 已存在")

# 全局客户端，后续其他模块可直接导入使用
MILVUS_CLIENT = MilvusStorage()

（四）项目入口实现（main.py，第一天核心验证，运行即完成初始化）

from utils.logger import logger
from llm.azure_llm import AZURE_LLM_CLIENT
from storage.milvus_client import MILVUS_CLIENT
from utils import CONFIG

def main():
    """项目入口，验证环境是否正常；用系统自带命令行运行"""
    logger.info("="*50)
    logger.info("企业级AI知识库Agent平台 - 第一天环境验证")
    logger.info("="*50)

    # 1. 验证配置加载
    logger.info("1. 验证配置加载...")
    try:
        logger.info(f"Azure Endpoint：{CONFIG['azure']['openai']['endpoint'][:20]}...（若提示link dead，检查地址和网络）")
        logger.info(f"Milvus 地址：{CONFIG['milvus']['host']}:{CONFIG['milvus']['port']}（无需访问http://127.0.0.1:2379）")
        logger.info("配置加载成功")
    except Exception as e:
        logger.error(f"配置加载失败 ❌：{str(e)}")
        return

    # 2. 验证Azure OpenAI调用（若暂无Azure，可跳过，后续替换为开源免费LLM）
    logger.info("\n2. 验证Azure OpenAI调用...")
    try:
        # 测试Embedding调用
        test_text = "AI架构师必备技能"
        embedding = AZURE_LLM_CLIENT.get_embedding(test_text)
        logger.info(f"Embedding生成成功，向量维度：{len(embedding)}")
        # 测试GPT-4调用
        test_prompt = "简要介绍AI知识库Agent平台的核心功能"
        response = AZURE_LLM_CLIENT.chat_completion(test_prompt)
        logger.info(f"GPT-4调用成功，回答：{response[:50]}...")
        logger.info("Azure OpenAI调用成功 ✅")
    except Exception as e:
        logger.error(f"Azure OpenAI调用失败 ❌：{str(e)}；可后续替换为Llama 3等开源免费LLM")
        return
    
# 3. 验证Milvus连接
    try:
        logger.info("3. 验证Milvus连接...")
        MILVUS_CLIENT.client.list_collections()
        logger.info("Milvus连接成功 ：服务正常运行")
    except Exception as e:
        logger.error(f"Milvus连接失败 ❌：{str(e)}")
        return

    logger.info("\n" + "="*50)
    logger.info("第一天环境验证全部通过！项目初始化完成 ")
    logger.info("后续将逐步实现文档处理、RAG等核心模块")

if __name__ == "__main__":
    main()

整体调用：

（五）环境验证（第一天收尾，确保所有功能正常，用免费工具辅助）

1. 运行main.py：打开系统自带命令行，进入项目根目录，执行命令：python main.py；。
2. 验证结果：若控制台输出"第一天环境验证全部通过！项目初始化完成"，且无报错，说明第一天实操全部完成。
3. 常见问题排查（结合用户提供的报错信息，补充免费解决方案）：

• 若提示"找不到模块"：检查目录结构是否正确，确保每个文件夹都有__init__.py文件，运行时确保当前目录是项目根目录；用系统自带文件管理器检查目录，免费工具（Notepad++）查看文件内容。
• 若Azure调用失败/提示"link dead"：检查config.yaml中的Azure Endpoint是否正确，确认API Key未过期，网络能访问Azure服务；若暂无Azure，可后续替换为开源免费LLM（如Llama 3），无需付费。
• 若Milvus调用失败/访问http://127.0.0.1:2379 提示"invalid link"：检查Milvus容器是否正常运行（docker ps查看），确保host和port与配置一致；该地址为Milvus内部依赖地址，无需手动访问，容器正常即可。
• 若pip安装依赖提示"link fetch error"：更换免费镜像源（如阿里云、豆瓣镜像源），执行命令：pip install 包名 -i https://mirrors.aliyun.com/pypi/simple/。

• 配置加载成功：Endpoint、Milvus 地址都正确加载
• Azure OpenAI 调用成功：Embedding 生成成功（维度 3072，和 text-embedding-3-large完全匹配），GPT-4 调用成功，返回了完整回答。
• Milvus 连接成功：服务正常运行，集合已存在

验证已经覆盖了所有核心依赖：

1. Python 环境与依赖：pymilvus、openai 等库正常导入
2. 配置文件：yaml 解析无误，敏感信息正确
3. Azure OpenAI 服务：Embedding + Chat 双接口可用
4. Milvus 向量数据库：容器运行正常，客户端连接成功

小结

第一天核心是「项目初始化」，重点不在于实现复杂功能，而在于搭建规范的架构、完成环境验证，同时培养架构思维；

1. 掌握企业级AI项目的需求拆解方法：能区分功能需求与非功能需求，结合自身技术储备拆解需求，避免冗余开发，可借助系统自带工具、免费工具整理需求。
2. 理解模块化架构设计思路：将项目拆分为核心层、基础层、存储层等，每个模块独立封装，实现"高内聚、低耦合"，能用工具（如DrawIO）绘制架构图，为后续扩展打下基础。
3. 完成开发环境全流程搭建：熟练安装Milvus向量库（Docker方式），整合Azure OpenAI配置（可替换为开源免费LLM），解决常见环境报错（如invalid link、link fetch error），具备环境部署能力，且全程无额外成本。
4. 掌握配置文件集中管理、工具类封装的技巧：避免硬编码，提升代码复用性和可维护性，贴合架构师编码规范；用免费工具编写配置文件、代码，降低实操成本。
5. 实现环境验证闭环：能通过代码验证各模块是否正常工作，培养故障排查思维；借助系统自带命令行排查问题。