Parsewise 技术架构
01技术 · 概览
02答案的路径
所有渠道共用一条流水线
技术看不见 — 看得见的是一秒内的答案。 无论在哪里提问，每个问题在内部走的都是同一条路。
/01
任意渠道的提问
-poster.webp&w=2048&q=75)
挂件、API 还是 SDK — 客户那句话都进同一条流水线。
/02
知识库检索
RAG 按语义找到片段，只要零点几秒。
/03
带上下文的模型
大模型拿到片段和工具 — 然后决定是回答还是动手。
/04
流式回答
首个 token 不到一秒 — 答案逐字打进对话。
03平台全景图
整个平台一张图
数据进去，答案出来。 内圈是 RAG、大模型和 function calling 组成的热核；外圈是技能、连接器、API 和安全边界。
你的数据
平台
文件
商品
档案
网站
API
流式输出
RAG
LLM
Function calling
技能
连接器
安全
04原则
你的数据。任意模型。你的边界
有三件事始终由你决定。 平台不跟你较劲：原样读你的数据，用你信任的模型说话，住在你选定的边界里。
01
种格式。
文件、表格、音频和视频都原样读取。
02
种模型模式。
function calling 加标准协议 — 适配任意模型。
03
种边界。
俄罗斯云、私有化部署，或完全离网隔离。
05数据
毫秒累加成一秒
流水线的每一段都掐着表。 所以总的来说，客户还没眨完两下眼，答案的第一个字就出来了。
01
首个 token
每个渠道都支持流式
02
检索 p95
语义检索，覆盖整个知识库
03
可用性
目标服务水平
04
调度器
后台任务循环
回答流水线 · 毫秒 · 按阶段
最大值典型值
06技术栈
无聊但可靠的砖头
生产环境不用奇技淫巧。 都是久经考验的工具 — 凌晨三点被叫醒也扛得住。
/01
向量库
pgvector：语义检索就挨着主库。
/02
嵌入
多语种、1024 维 — 用语义而不是关键词。
/03
SSE 流式
答案逐 token 打出 — 挂件、API 和 SDK 都一样。
/04
Kubernetes
编排调度，并按负载自动扩缩容。
/05
监控
流水线上每个节点都有指标和告警。
/06
备份
定期备份，恢复流程演练过。
07技术
自己掀开引擎盖看看
技术最好的演示，就是一个真在跑的助手。 用你自己的数据，一个晚上把它搭起来。
开始使用
用你自己的数据试一试
上传你的文档和商品目录，然后把别人问你的问题拿去问助手。 这是唯一有意义的检验。