山东大学软件学院项目创新实训开发日志（5）之中医知识问答UML图设计

根据上篇博文对中医知识问答功能模块的数据库设计，为更好的进行理解与开发，所以进行了UML图设计，实现可视化介绍

UML图

UML 类图描述

1. `conversations` 类：

• 功能概述：代表对话管理模块，用于管理用户与问答系统之间的多轮对话记录。
• 属性：
• `conv_id`：对话的唯一标识符，数据类型为整数，用于唯一标识每一次对话。
• `user_id`：关联用户的标识符，数据类型为整数，表明该对话属于哪个用户。
• `title`：对话的标题，数据类型为字符串，用户可以设置对话的标题，例如“舌苔相关问题”。
• `created_at`：对话创建的时间，数据类型为日期时间类型，自动记录对话创建的时间点。
• `updated_at`：对话更新的时间，数据类型为日期时间类型，自动记录对话最后一次更新的时间点。
• 操作：
• `createConversation()`：创建新的对话记录，并生成唯一的 `conv_id`。
• `updateConversation()`：更新对话的相关信息，如标题或其他属性。

2. `messages` 类：

• 功能概述：代表消息记录模块，用于记录用户和 AI 助手之间的每一条问答消息，支持多语言与不同内容类型。
• 属性：
• `msg_id`：消息的唯一标识符，数据类型为整数，用于唯一标识每一条消息。
• `parent_msg_id`：父消息的标识符，数据类型为整数，用于表示消息之间的关联关系，如回复消息与原始消息的关系。
• `conv_id`：关联对话的标识符，数据类型为整数，将消息与具体的对话进行关联。
• `content_type`：消息的内容类型，数据类型为字符串，支持 `text` 和 `file` 两种类型。
• `language`：消息的语言类型，数据类型为字符串，支持中英文等多种语言。
• `content`：消息的具体内容，数据类型为字符串，存储用户或助手发送的消息文本。
• 操作：
• `saveMessage()`：保存用户与助手的消息内容及其发送顺序。

3. `attachments` 类：

• 功能概述：代表附件处理模块，用于存储用户上传的图片、语音或视频等中医相关文件资料。
• 属性：
• `attachment_id`：附件的唯一标识符，数据类型为整数，用于唯一标识每一个附件。
• `msg_id`：关联消息的标识符，数据类型为整数，将附件与具体的消息进行关联。
• `file_type`：附件的文件类型，数据类型为字符串，支持 `image`、`audio`、`video`、`file` 等多种类型。
• `file_path`：附件的文件路径，数据类型为字符串，存储文件在 OSS/S3 等存储系统中的 URL。
• `thumbnail`：附件的缩略图，数据类型为字符串，存储附件的缩略图信息（如果有）。
• `file_size`：附件的文件大小，数据类型为整数，记录文件的大小。
• `duration`：附件的时长（对于音视频文件），数据类型为整数，记录音视频文件的时长。
• 操作：
• `attachFile()`：将文件作为附件绑定到具体的消息上。

4. `knowledge_embeddings` 类：

• 功能概述：代表 RAG 知识向量检索模块，实现基于嵌入向量的中医知识语义检索，支持问答系统“以文生成回答”。
• 属性：
• `embedding_id`：知识嵌入的唯一标识符，数据类型为整数，用于唯一标识每一条知识嵌入记录。
• `original_text`：原始的中医文本资料，数据类型为字符串，存储如《黄帝内经》《本草纲目》中的段落内容。
• `embedding_vector`：嵌入向量，数据类型为数组，将原始文本转换为向量形式（如 768 维），用于语义相似度检索。
• `metadata`：元数据，数据类型为字符串，记录文档来源、时间、标签等信息，支持溯源与过滤。
• 操作：
• `convertToEmbedding()`：将原始中医文本资料转换为向量嵌入。
• `retrieveBySimilarity()`：根据输入的向量，结合语义相似度检索，从知识嵌入中找到相关的中医知识段落。

类之间的关系：

• `conversations` 类与 `messages` 类是一对多的关系（`conversations` "1" -- "0.." `messages`），表示一个对话可以包含多条消息。
• `messages` 类与 `attachments` 类是一对多的关系（`messages` "1" -- "0.." `attachments`），表示一条消息可以有多个附件。
• `knowledge_embeddings` 类与 `messages` 类是一对多的关系（`knowledge_embeddings` "1" -- "0.." `messages`），表示知识嵌入为生成消息（回答）提供支持。