【AI培训中台-对话链路】

陪练对话 sendMessage 完整链路

一、架构总览

陪练对话系统采用 对话生成与目标判定分离 的架构设计，拆分为两个独立 HTTP

分离的设计动机：避免目标达成条件泄露到 AI 回复中，减少 LLM 幻觉风险。

调用时序（前端视角）：

createSession → sendMessage(循环) → judgeGoal(循环, 仅 PROCESS) → checkFinish / stopSession → 查看报告

层级	类	职责
Controller	PracticeSessionController	HTTP 入口、参数校验、权限
编排层	PracticeDialogueService	对话主流程编排、RAG、TTS、异步任务
会话层	PracticeSessionService	会话生命周期（创建/终止/完成），不调用 LLM
目标判定	PracticeGoalJudgeService	PROCESS 模式的 LLM 目标判定 + Java 硬规则
LLM 封装	PracticeLLMService	Prompt 模板组装 + 上下文构建
底层调用	LangChainChatService	LangChain4j HTTP 调用、JSON 解析、格式纠正重试

二、sendMessage 主流程（6 步）

1. Per-Session 互斥锁，- 防止前端并发双发导致同一轮消息被重复写入
2. 校验绘话状态 + 构建上下文
3. 幂等检查（10 秒去重窗口），- 若内容完全相同且时间间隔 < 10 秒 → 直接返回该轮已有的 AI 回复

• 覆盖两种场景：并发双发（同一 round）和串行双发（用户快速重复提交）

4. 保存学员消息
5. 调用AI生成回复
6. 保存AI回复+更新绘话
7. 组装响应 + TTS
8. 异步任务 润色+ RAG日志和对比

三、RAG 知识增强

场景	配置开关	查询文本	知识库方向	失败策略
对话	dialogueRagEnabled	学员消息	坐席问 → AI 答	空串，主流程继续
灵感	inspirationRagEnabled	AI 最后消息 + 目标	AI 问 → 坐席答	空串
润色	polishRagEnabled	AI 消息 + 学员消息 + 目标	AI 问 → 坐席答	空串
评分	复用 inspiration 开关	场景 + 维度 + 学员话术	检索模式	空串

注入方式：RAG 内容通过 Prompt 模板的 {{ragReferenceContent}} 占位符注入 system prompt。

RAG 对比实验：对话 RAG 命中时，异步再调一次无 RAG 的 LLM，将有/无 RAG 的两个回复写入 tra_rag_history，用于评估 RAG 对回复质量的影响。

AI培训对话的完整链路