AI 聊天机器人架构图模板
绘制 AI 聊天机器人——接入渠道、对话管理、LLM、RAG、安全护栏和会话存储。
使用此模板模板亮点
- 接入渠道和处理意图与对话状态的对话管理
- LLM 加 RAG 提供有依据的响应，输出端配安全护栏
- 会话存储跨轮次保持对话上下文
这个模板适合做什么
AI 聊天机器人架构图展示了一个对话系统如何把用户消息转化为有依据且安全的回复。本模板呈现完整路径：用户接入的渠道（Web、App、Slack）、处理意图并跟踪对话状态的对话管理、生成响应的 LLM、用知识库为答案提供依据的 RAG 层、过滤不安全输出的安全护栏，以及跨轮次保持对话上下文的会话存储。适合用于设计生产级聊天机器人、说明安全与依据在哪里发生，或解释为什么聊天机器人不只是一次 LLM 提示。
适用场景
- 在构建之前设计生产级聊天机器人，覆盖从渠道到存储的全流程。
- 向干系人解释聊天机器人在哪里为答案提供依据、在哪里过滤不安全输出。
- 为设计评审整理会话与对话状态的处理方式。
- 展示 RAG 在哪里接入，让答案引用你的知识库而非模型训练数据。
- 定位一条糟糕的回复：是意图、检索、LLM，还是缺了护栏？
- 对比基于意图的聊天机器人与 LLM 优先的对话设计。
使用步骤
- 1从用户和他们接入的渠道（Web、App、Slack）开始。
- 2添加对话管理——意图 / NLU 加对话状态跟踪。
- 3在对话管理旁添加会话存储，用于持久化对话上下文。
- 4在下方添加 LLM 和 RAG 层，生成有依据的响应。
- 5在系统和回复之间添加安全护栏，过滤不安全输出。
- 6端到端连接流程，让从用户到回复的请求路径清晰可见。
简单示例
客服聊天机器人
用户 → 渠道（Web 组件、App、Slack）
对话管理：意图 / NLU + 对话状态
会话存储（Redis）跨轮次保持上下文
LLM + RAG 根据帮助中心文档生成有依据的答案
安全护栏在发送回复前过滤不安全输出
在线开始编辑
在 CodePic 中打开模板后，替换示例节点，就能很快整理成自己的学习导图。
