RailMind的愿景是打造一款：个人出行、旅行度假的全链路智能助手，为出行做全方位的规划。
后续优化：Agent-RL训练、多智能体协作、更强大的记忆系统、与多数据库交互、抗并发等前沿Agent方法
- 🤖 全方位的出行规划: 基于用户个人历史偏好、本地与出发地的数据信息，从购票、住店、饮食和游玩进行全方位的规划。
- 🔄 强大的记忆系统: 用户长短期对话记忆+用户行为记忆+客户端记忆+历史数据记忆 强大的记忆载入功能
- 🎨 MCP一体化服务: 不仅制定出行规划，还能xxxx。
- 25.12.12: RailMind-V0.1.0正式上线!~ RailMind-V0.1.0主要核心功能是**"铁路票务问答系统"**。后续规划详见dev-plab
sequenceDiagram
participant User
participant Rewrite Query
participant Intention Recognize
participant async LLM
participant Execute Action
participant 知识图谱
participant Result Eval
User->>Rewrite Query: 发送原始Query
Note over Rewrite Query: 步骤1: Query预处理
Rewrite Query->>Rewrite Query: 1.1 纠错与标准化<br/>1.2 同义词扩展<br/>1.3 简化复杂表达
Rewrite Query->>Intention Recognize: 发送改写后Query
Note over Intention Recognize: 步骤2: 意图分析
Intention Recognize->>Intention Recognize: 2.1 多意图检测<br/>2.2 实体提取<br/>2.3 召回相关Func
Intention Recognize->>async LLM: 发送Query和Func列表<br/>(触发ReAct推理)
Note over async LLM: 步骤3: ReAct推理
async LLM->>async LLM: 3.1 Thought: 分析用户意图<br/>3.2 Action: 选择Func组合<br/>3.3 Plan: 制定执行顺序
async LLM->>Execute Action: 返回执行计划<br/>(Func序列+参数)
loop 循环执行Func直到解决问题
Note over Execute Action: 步骤4: 函数执行
Execute Action->>Execute Action: 4.1 解析Func调用<br/>4.2 参数验证与填充
Execute Action->>知识图谱: 执行Cypher查询
知识图谱->>Execute Action: 返回查询结果
Execute Action->>Result Eval: 传递中间结果
Note over Result Eval: 步骤5: 结果评估
Result Eval->>Result Eval: 5.1 检查完整性<br/>5.2 评估相关性<br/>5.3 判断是否继续
alt 结果不完整/需要更多信息
Result Eval->>async LLM: 请求下一步决策<br/>(当前结果+问题状态)
async LLM->>async LLM: Thought: 分析当前状态<br/>Action: 选择下一个Func
async LLM->>Execute Action: 返回新Func调用
else 结果完整/问题解决
结果评估模块->>异步LLM: 发送最终结果
end
end
Note over async LLM: 步骤6: 答案生成
async LLM->>async LLM: 6.1 整合所有结果<br/>6.2 生成自然语言<br/>6.3 添加解释说明
async LLM->>用户: 返回最终答案
Note right of async LLM: ReAct循环示例:<br/>Thought→Action→Observation→...<br/>直到问题解决
完善现有模块，核心模块Query重写、Query意图识别、ReAct、Eval、Generate、Agent-Momory模块。终极目标是能够依据用户出行安排，购买车票。响应时长控制在3s以内。
v0.1.1Query重写与意图识别模块优化
v0.1.2ReAct优化
v0.1.3Eval优化
v0.1.4Generate逻辑优化
v0.1.5记忆模块优化
v0.1.6代码可读性+速度优化
在铁路票务系统的基础能力(Agent-Memory等核心模块)之上，进一步拓展酒店业务（RAG业务+Embedding模型微调召回+NL2SQL能力）
拓展景点推荐业务+景点拍照教程业务
在v0.1-0.3基础之上 拓展吃喝等娱乐业务
整合前面版本的能力，实现全链路执行，线上采集埋点中收集业务badcase，为后续持续训练模型做数据准备。进一步重构后端代码，使其复用性、可读性更强，将FastAPI彻底融合进来。
各个模块的badcase训练的问题
考虑前端、广告宣传等业务
初步上线，收集真实业务反馈
修理v0.8版本的线上bug，进行最后的正式上线业务
正式版本(预计2026年6月前)
gantt
title 列车查询系统处理流程时间线
dateFormat HH:mm
axisFormat %H:%M
section 用户交互
用户输入查询 :00:00, 10s
显示结果 :00:20, 5s
section 意图识别
文本预处理 :00:02, 3s
意图分类 :00:05, 5s
参数提取 :00:10, 5s
section 查询处理
构建Cypher查询 :00:15, 8s
执行数据库查询 :00:18, 7s
section 结果处理
数据格式化 :00:25, 5s
计算处理 :00:27, 8s
生成自然语言 :00:30, 10s
graph TD
A[_evaluate_result] --> B[iteration_count++]
B --> C{达到最大迭代?}
C -->|是| D[停止: 达到最大迭代次数，并进行结果总结]
C -->|否| E{Func Call执行结果}
E -->|无结果| F[返回ReThink重新执行]
E -->|有结果| G{是否有子查询?}
G -->|是| H[评估当前子查询]
H --> I{当前子查询结果是否满意?}
I -->|是| J[切换到下一子查询]
J --> K{所有子查询是否满意?}
K -->|是| L[停止: 标记所有子查询已完成]
K -->|否| M[选中子查询重回ReThink模块]
I -->|否| N[重回ReThink模块, 并标记当前子查询未完成]
G -->|否| O[评估整体查询]
O --> P[根据评估结果决定后续流程]