Sira AI

主题

快速上手 ​

5分钟上手 Sira AI，快速构建您的第一个 AI 应用。

前置准备 ​

系统要求 ​

  • Docker 20.10+ 或 Python 3.11+
  • PostgreSQL 14+
  • Redis 7.0+
  • 至少一个 AI 模型的 API Key（OpenAI、Claude、DeepSeek 等）

获取访问权限 ​

自部署用户：

bash
# 克隆仓库
git clone https://github.com/your-org/sira-ai.git
cd sira-ai

# 启动服务
docker-compose up -d

# 访问管理后台
open http://localhost:3000

SaaS 用户：

理解核心概念 ​

Sira AI 采用三层架构：

用户 → Application (应用层) → Orchestrator (编排层) → Agent (智能体层) → LLM

三个关键实体 ​

  1. Agent（智能体）：具备特定能力的 AI，配置了 LLM 模型、提示词、工具
  2. Orchestrator（编排器）：协调多个 Agent 协同工作
  3. Application（应用）：用户接入点（企业微信、Web、API）

5分钟快速体验 ​

方案 A：最简单模式（Single Agent） ​

适用于：简单的问答助手、单一功能场景

步骤 1：配置 AI 模型 ​

  1. 进入 AI 模型管理
  2. 点击 添加模型
  3. 填写配置：
yaml
提供商: OpenAI
模型名称: gpt-4o
API Key: sk-xxx (你的API密钥)
Base URL: https://api.openai.com/v1 (默认)
模型类型: [LLM, VISION] (选择支持的类型)
  1. 点击 测试连接 → 确认成功 → 保存

步骤 2：创建 Agent ​

  1. 进入 Agent System → Agents
  2. 点击 创建 Agent
  3. 填写配置：
yaml
名称: customer_service
显示名称: 客服助手
描述: 专业的客户服务助手

系统提示词:
你是一个专业的客服助手。
- 始终保持礼貌和耐心
- 快速准确地回答用户问题
- 如果不确定，请引导用户联系人工客服

AI 模型: gpt-4o (刚才创建的)
模型类型: [LLM]
  1. 点击 保存

步骤 3：创建 Orchestrator ​

  1. 进入 Agent System → Orchestrators
  2. 点击 创建 Orchestrator
  3. 选择模式：Single（单体模式）
  4. 配置：
yaml
名称: simple_customer_service
显示名称: 简单客服
编排类型: SINGLE

Single 配置:
  Agent: customer_service (选择刚才创建的Agent)
  1. 点击 保存

步骤 4：创建 Application ​

  1. 进入 Agent System → Applications
  2. 点击 创建 Application
  3. 选择平台：Web Client（Web 聊天客户端）
  4. 配置：
yaml
名称: web_customer_service
显示名称: 客服聊天窗口
平台: webclient
Orchestrator: simple_customer_service (选择刚创建的)

平台配置:
  自动生成访问令牌: ✓
  1. 点击 保存
  2. 复制生成的 访问链接：http://localhost:3000/app-chat/{token}

步骤 5：测试对话 ​

  1. 在浏览器打开访问链接
  2. 输入测试消息："你好，请介绍一下你的功能"
  3. 观察 AI 流式响应（打字机效果）

🎉 恭喜！您的第一个 AI 应用已经运行起来了！

方案 B：企业微信接入 ​

适用于：企业内部使用，集成到企业微信

步骤 1-3：同上（配置模型、Agent、Orchestrator） ​

步骤 4：配置企业微信应用 ​

  1. 在企业微信管理后台：

    • 创建自建应用
    • 获取 AgentId, Corp ID, Corp Secret
    • 设置回调 URL：https://your-domain.com/api/wxwork/aibot/callback
    • 开启 AI Bot API（企业微信 2023+ 版本）

  2. 在 Sira AI 中创建 Application：

    • 进入 Agent System → Applications
    • 选择平台：WeChat Work AI Bot
    • 填写企业微信配置：
yaml
名称: wework_customer_service
显示名称: 企微客服
平台: wework_aibot
Orchestrator: simple_customer_service

平台配置:
  Corp ID: ww123456789
  Agent ID: 1000002
  Agent Secret: xxx
  Token: xxx (企微后台生成)
  Encoding AES Key: xxx (企微后台生成)
  1. 点击 保存 → 启用

步骤 5：测试 ​

  1. 在企业微信中找到你的应用
  2. 发送消息："你好"
  3. 观察 AI 实时回复（流式打字机效果）

进阶场景 ​

场景 1：多智能体协作（Collaboration） ​

适用于：需要多个专家从不同角度分析问题

创建多个专家 Agent ​

yaml
Agent 1: 技术专家
- 系统提示词: "你是技术专家，专注于技术分析"
- 模型: gpt-4o

Agent 2: 产品专家
- 系统提示词: "你是产品专家，专注于产品设计"
- 模型: claude-3-5-sonnet

Agent 3: 市场专家
- 系统提示词: "你是市场专家，专注于市场分析"
- 模型: deepseek-chat

创建 Collaboration Orchestrator ​

yaml
名称: multi_expert_collaboration
编排类型: COLLABORATION

Collaboration 配置:
  Agents: [技术专家, 产品专家, 市场专家]
  协作策略: SEQUENTIAL (顺序执行)
  启用汇总: ✓

效果：

  • 用户提问后，三个专家依次给出观点
  • 系统自动汇总所有专家的意见
  • 提供全面的综合分析

场景 2：智能路由（Conditional） ​

适用于：根据问题类型自动分配到不同专家

创建多个领域 Agent ​

yaml
Agent 1: 技术支持
Agent 2: 销售咨询
Agent 3: 售后服务

创建 Conditional Orchestrator ​

yaml
名称: smart_routing
编排类型: CONDITIONAL

Conditional 配置:
  路由规则:
    - 关键词: ["技术", "bug", "报错", "安装"]
      → Agent: 技术支持

    - 关键词: ["价格", "购买", "优惠", "试用"]
      → Agent: 销售咨询

    - 关键词: ["退款", "售后", "维修", "换货"]
      → Agent: 售后服务

  默认 Agent: 通用客服

效果：

  • 用户问"怎么安装？" → 自动路由到技术支持
  • 用户问"多少钱？" → 自动路由到销售咨询
  • 识别不出来 → 路由到通用客服

场景 3：任务分解（Supervisor） ​

适用于：复杂任务需要动态分解和调度

创建 Supervisor Agent ​

yaml
名称: task_supervisor
系统提示词: |
  你是任务协调者，负责分解任务并调度合适的专家。

  可用专家：
  - data_analyst: 数据分析专家
  - report_writer: 报告撰写专家
  - chart_maker: 图表制作专家

  根据任务复杂度，依次调度专家完成。

创建 Worker Agents ​

yaml
Agent 1: data_analyst (数据分析)
Agent 2: report_writer (报告撰写)
Agent 3: chart_maker (图表制作)

创建 Supervisor Orchestrator ​

yaml
名称: task_decomposition
编排类型: SUPERVISOR

Supervisor 配置:
  Supervisor: task_supervisor
  Workers: [data_analyst, report_writer, chart_maker]
  启用汇总: ✓

效果：

  • 用户："分析本月销售数据并生成报告"
  • Supervisor 分解任务：
    1. 委派 data_analyst 分析数据
    2. 委派 report_writer 撰写报告
    3. 委派 chart_maker 制作图表
  • 最终汇总完整报告

高级功能 ​

1. MCP 工具集成 ​

让 AI 使用外部工具（搜索、数据库、API）

启用预置工具 ​

  1. 进入 MCP Tools
  2. 启用工具：
    • Context7：查询最新技术文档
    • Weather：天气查询
    • WebSearch：网页搜索

为 Agent 配置工具 ​

yaml
编辑 Agent:
  MCP 工具: [Context7, WebSearch]

效果：

  • 用户："查询 React 19 的新特性"
  • Agent 调用 Context7 工具获取最新文档
  • 返回准确的最新信息

2. 知识库（RAG） ​

上传企业文档，AI 自动检索相关内容

创建知识库 ​

  1. 进入 Knowledge Bases
  2. 创建知识库："产品手册"
  3. 上传文档（PDF、Word、Markdown）
  4. 等待向量化完成

为 Agent 关联知识库 ​

yaml
编辑 Agent:
  知识库: [产品手册]

效果：

  • 用户问产品问题
  • AI 自动从知识库检索相关章节
  • 基于企业文档回答问题

3. 多模态（Vision） ​

处理图片内容

使用支持 Vision 的模型 ​

yaml
AI 模型配置:
  模型: gpt-4o
  模型类型: [LLM, VISION] ← 勾选 VISION

Agent 配置 ​

yaml
Agent:
  模型类型: [LLM, VISION]

效果：

  • Web 客户端：发送消息 "分析图片 http://example.com/chart.png"
  • 企业微信：直接发送图片 + 文字
  • AI 自动分析图片内容并回答

常见问题 ​

Q1: 流式响应不工作？ ​

检查清单：

  1. Redis 是否正常运行？redis-cli ping
  2. 后端日志是否有错误？docker logs backend
  3. 前端是否连接到 SSE 端点？查看浏览器 Network

Q2: Agent 回答不准确？ ​

优化建议：

  1. 优化系统提示词：更明确地定义角色和职责
  2. 添加示例对话：在提示词中提供标准问答示例
  3. 使用知识库：上传企业文档供 AI 检索
  4. 启用 MCP 工具：让 AI 查询实时信息

Q3: 如何控制成本？ ​

成本优化：

  1. 选择合适的模型：
    • 简单任务用 GPT-3.5 或 DeepSeek
    • 复杂任务用 GPT-4o
  2. 限制 Token 数量：
    • 设置 max_tokens
    • 定期清理历史消息
  3. 使用缓存：
    • 相同问题返回缓存结果
  4. 监控使用量：
    • 在 Analytics 查看统计

Q4: 企业微信回调失败？ ​

排查步骤：

  1. 确认回调 URL 可公网访问
  2. 检查 Token 和 EncodingAESKey 配置正确
  3. 查看企业微信管理后台的回调日志
  4. 查看后端日志：docker logs backend | grep wxwork

Q5: 多模态图片分析失败？ ​

常见原因：

  1. Agent 的模型类型未勾选 VISION
  2. 图片链接需要认证（使用公开链接）
  3. 图片格式不支持（使用 JPG/PNG）
  4. 模型不支持 Vision（切换到 GPT-4o/Claude 3）

学习路径 ​

🎯 新手路径 ​

  1. ✅ 完成本快速上手指南
  2. 📖 阅读 核心概念
  3. 🛠️ 尝试 Agent 使用教程
  4. 🎨 探索 编排模式

🚀 进阶路径 ​

  1. 📚 学习 MCP 工具配置
  2. 🧠 掌握 知识库管理
  3. 🎭 实践 多智能体协作
  4. 🌐 集成 外部系统 (Dify / n8n)

🏆 专家路径 ​

  1. 🔧 开发 自定义 MCP 工具
  2. 🎯 设计 复杂编排流程
  3. 📊 配置 License 与功能开关
  4. 🔐 配置 企业级安全

下一步 ​

🎉 恭喜您完成快速上手！

推荐您继续学习：

💡 提示：Sira AI 是一个功能强大的平台，建议您：

  • 从简单的 Single 模式开始
  • 逐步尝试更复杂的编排模式
  • 根据实际业务需求选择合适的方案
  • 善用文档和示例代码

Apache-2.0 Licensed

Copyright © 2024 Sira AI Inc.