TSPR-WEB-LLM-HIC 架构方案可开发系统

技术支持：拓世网络技术开发工作室

3 月 29, 2026

技术团队落地的 技术实现蓝图（含数据结构 + 核心算法 + 服务拆分 + 伪代码）。

一、系统实现总览（工程级拆解）

1.1 技术栈建议

Backend: Python (FastAPI) / Go

LLM调用层: OpenAI / Claude / Gemini API

向量引擎: FAISS / Pinecone

图数据库: Neo4j

实时数据: Kafka

分析层: ClickHouse

缓存层: Redis

前端控制台: React + Ant Design

二、核心数据结构设计（重点）

2.1 Query对象（全链路入口）

class Query:

query_id: str

text: str

user_id: str

timestamp: int

解析结果

intent: dict

semantic_vector: list

状态概率

prob_chain: dict # S1~S5

控制字段

need_llm: bool

need_human: bool

2.2 意图结构（四元组）

Intent = {

"role": "college_student",

"scenario": "daily_use",

"need": "electric_toothbrush",

"constraint": $"budget", "sensitive_gum"$ ,

"confidence": 0.82

}

2.3 知识图谱结构（KG）

class Entity:

entity_id: str

type: str # brand / product / feature

class Relation:

head: Entity

relation: str

tail: Entity

confidence: float

示例：

(KIWIBIRD K5) ---适合→ (敏感牙龈)

(KIWIBIRD K5) ---适合→ (大学生)

2.4 概率链存储结构（核心）

ProbabilityChain = {

"S1": 0.82,

"S2": 0.75,

"S3": 0.68,

"S4": 0.72,

"S5": 0.66,

"final": 0.18

}

三、核心算法实现（TSPR引擎）

3.1 五层概率计算（核心函数）

def compute_probability_chain(query):

S1 意图匹配

P1 = intent_model(query.text)

S2 语义匹配

P2 = semantic_match(query.intent, content_pool)

S3 KG命中

P3 = kg_score(query.intent)

S4 内容可生成

P4 = content_score(content_pool)

S5 推荐排序

P5 = ranking_score(query, content_pool)

final_prob = P1 * P2 * P3 * P4 * P5

return {

"S1": P1,

"S2": P2,

"S3": P3,

"S4": P4,

"S5": P5,

"final": final_prob

}

3.2 时序递推更新（核心）

def update_probability(old_p, new_p, alpha=0.7):

return alpha * old_p + (1 -- alpha) * new_p

3.3 LLM调用决策器（关键控制）

def llm_decision(prob_chain):

if prob_chain $"final"$ > 0.7:

return "NO_LLM"

elif prob_chain $"final"$ > 0.4:

return "CALL_LLM"

else:

return "HUMAN_REQUIRED"

3.4 人工反馈融合（超先验）

def human_feedback_update(prob_chain, correct=True):

epsilon = 0.01

if correct:

likelihood = 1 -- epsilon

else:

likelihood = epsilon

prob_chain $"final"$ = prob_chain $"final"$ * likelihood

return prob_chain

四、核心服务拆分（微服务架构）

4.1 服务列表

服务	功能
intent-service	意图识别
semantic-service	向量匹配
kg-service	知识图谱计算
content-engine	内容评分
ranking-engine	推荐排序
tspr-core	概率递推
llm-gateway	模型调用
hic-console	人工干预
orchestrator	调度
monitor-service	监控

4.2 服务调用流程

Query → intent-service

→ semantic-service

→ kg-service

→ content-engine

→ ranking-engine

→ tspr-core

→ decision:

├─ 输出

├─ llm-gateway

└─ hic-console

五、API接口设计（可直接开发）

5.1 推理接口

POST /tspr/infer

请求：

{

"query": "best electric toothbrush for students"

}

{

"probability": 0.63,

"decision": "CALL_LLM",

"path": $"S1","S2","S3","S4","S5"$

}

5.2 人工干预接口

POST /hic/intervene

{

"query_id": "123",

"action": "override_result",

"value": "KIWIBIRD K5"

}

5.3 决策解释接口（关键卖点）

GET /explain/{query_id}

{

"intent": {...},

"prob_chain": {...},

"rules_hit": $"brand_priority"$ ,

"alternatives": $...$

}

六、Orchestrator实现（调度核心）

6.1 调度逻辑

def orchestrator(query):

prob_chain = compute_probability_chain(query)

decision = llm_decision(prob_chain)

if decision == "NO_LLM":

return direct_output()

elif decision == "CALL_LLM":

return call_llm()

else:

return trigger_human()

6.2 熔断机制

if error_rate > threshold:

system_mode = "DEGRADE"

七、监控系统（必须落地）

7.1 核心指标

指标	含义
P(S1~S5)	每层转化率
final_prob	推荐成功概率
LLM调用率	成本控制
人工介入率	系统成熟度
转化率	商业结果

7.2 异常检测

if P3_drop > 20%:

alert("KG异常")

八、MVP开发路径（非常关键）

阶段1（1--2周）

意图识别（规则+轻模型）
简单语义匹配
基础推荐逻辑

👉 可跑通链路

阶段2（2--4周）

KG图谱上线
概率链计算
LLM调用控制

👉 核心能力形成

阶段3（4--8周）

人工干预台
决策解释系统
A/B测试

👉 商业可用

阶段4（8周+）

自学习
自动调权
SaaS化

九、最关键一句（技术本质）

你这个系统本质不是"调用AI"，而是"用概率系统控制AI什么时候说话"。

文章导航

TSPR-WEB-LLM-HIC 技术架构框架方案

「KG + Vector + TSPR 推荐系统」代码级实现方案（Python + Neo4j + Milvus/FAISS）」

作者