基于 Golang + Gin 构建的 AI 应用服务平台，集成了 JWT 鉴权、邮箱验证码注册、会话式聊天、SSE 流式输出 等能力。

项目当前实现聚焦在两个核心场景：

1. 智能对话：支持创建新会话、继续历史会话、查看历史消息，并支持普通返回与 SSE 流式返回两种模式。
2. 图像识别：前端上传图片后，后端完成文件解析、图像解码、预处理、 推理与类别返回。

---

系统架构概览

项目整体可以分成四层：

• Controller 层：处理 HTTP 请求与参数校验，对外返回统一响应结构。
• Service 层：承接业务逻辑，例如登录注册、会话创建、AI 对话、图像识别。
• DAO 层：封装数据库访问。
• Common / Utils 层：提供 AIHelper、JWT、Redis、RabbitMQ、MySQL、图像识别等公共能力。

---

数据模型

user

用于保存用户信息。

关键字段：

• id：主键
• email：邮箱
• username：账号，唯一索引
• password：加密后的密码
• created_at / updated_at / deleted_at

session

用于保存聊天会话。

关键字段：

• id：会话 ID，使用 UUID
• username：所属用户
• title：会话标题，当前实现中创建会话时取首条问题
• created_at / updated_at / deleted_at

message

用于保存消息内容。

关键字段：

• id：自增主键
• session_id：所属会话
• username：所属用户
• content：消息内容
• is_user：是否为用户消息
• created_at

---

核心实现说明

1）JWT 鉴权

• 登录或注册成功后签发 JWT
• token 中包含 id 与 username
• 受保护接口统一通过中间件校验
• 中间件解析成功后，将 userName 写入 Gin 上下文

2）AI 模型抽象

项目通过 AIModel 接口统一封装模型能力，并通过工厂模式支持不同模型实现。当前支持：

• modelType = "1"：OpenAI
• modelType = "2"：Ollama

3）AIHelper 与会话运行时

AIHelper 是会话级的运行时对象，负责维护：

• 当前会话的消息上下文
• 绑定的底层模型
• 消息保存策略

系统通过 AIHelperManager 以 userName -> sessionID -> AIHelper 的方式统一管理会话运行时对象。

4）SSE 流式返回

在流式接口中，Controller 会设置：

Content-Type: text/event-stream
Cache-Control: no-cache
Connection: keep-alive

随后每拿到一个模型 chunk，就写入：

data: xxx

前端可以边接收边渲染。

5）RabbitMQ 异步写库

聊天消息不会直接阻塞式写入数据库，而是先推送到 RabbitMQ，由消费者异步写入 message 表，从而减少主链路阻塞，提高接口响应速度。

6）图像识别链路

图像识别的完整链路如下：

1. 前端通过 multipart/form-data 上传图片
2. Controller 使用 FormFile("image") 获取文件
3. Service 读取文件字节流到内存
4. ImageRecognizer 对图片进行解码
5. 将图片缩放到 224x224
6. 提取 RGB 并归一化到 [0, 1]
7. 按 NCHW 格式写入 ONNX 输入张量
8. 执行 ONNX Runtime 推理
9. 取最大概率下标并映射为标签名称
10. 返回最终类别名给前端

---

返回结构

大多数接口都会返回统一响应结构：

{
  "status_code": 1000,
  "status_msg": "success"
}

常见状态码：

• 1000：成功
• 2001：请求参数错误
• 2002：用户名已存在
• 2003：用户不存在
• 2004：用户名或密码错误
• 2006：无效 Token
• 2008：验证码错误
• 4001：服务繁忙
• 5003：模型运行失败

---

当前实现说明

以下内容是基于当前代码实现的真实情况：

1. 会话列表当前来自内存中的 AIHelperManager，不是直接从 session 表查询。
2. 会话标题在列表接口中暂时使用 sessionId 作为返回值，虽然创建会话时已经保存了首条问题作为 title，但当前列表接口未使用该字段。
3. 图像识别模型路径与标签路径目前为硬编码，部署前需要手动准备。
4. RabbitMQ 已实现异步落库能力，但若要进一步增强可靠性，可继续补充手动 ack、重试与幂等控制。
5. Redis 当前用于验证码缓存；若要严格保证“校验成功后立即删除”的原子性，可进一步用 Lua 脚本实现校验与删除的一次性执行。

---

后续可优化方向

• 将会话列表改为从数据库读取，并返回真实标题
• 补充会话删除与会话过期清理机制
• 为 RabbitMQ 增加手动 ack、死信队列与幂等消费
• 将图像模型路径改为配置化
• 为图像识别增加文件大小限制、格式白名单与置信度输出
• 增加日志追踪、限流、熔断与监控能力

---