上一篇我们已经完成了发布系统的前半段：创建草稿、OSS 预签名直传和内容确认。今天我们来继续整理后半段：更新标题、标签、图片列表、可见性、摘要，并接入 DeepSeek AI 实现一键生成文章摘要，最后将草稿正式发布。上传确认完成 -> 更新元数据 -> AI 生成摘要 -> 保存摘要 -> 发布草稿"content" : "这里是 Markdown 正文内容..." }"description"

上一篇我们已经完成了发布系统的前半段：创建草稿、OSS 预签名直传和内容确认。今天我们来继续整理后半段：更新标题、标签、图片列表、可见性、摘要，并接入 DeepSeek AI 实现一键生成文章摘要，最后将草稿正式发布。上传确认完成 -> 更新元数据 -> AI 生成摘要 -> 保存摘要 -> 发布草稿"content" : "这里是 Markdown 正文内容..." }"description"

下一篇继续看工程化部分：平台是如何在发布流程中预索引，减少用户首次提问等待时间，并通过 Elasticsearch、Spring AI 和 DeepSeek 完成完整落地的。如果不做优化，那每一次提问都会重新拉取 Markdown、重新切片、重新写入向量库。保留少量 overlap 后，召回到任意一个切片时，模型都能拿到更完整的上下文。也就是说，每次重建某篇文章索引前，都会先删除这篇文章的旧切片，

知识获取与分享社区是一个知识内容社区后端项目，整体可以理解为一个面向知识创作者的内容社区。注册登录↓发布 Markdown / 图文知文↓↓通过 Feed、搜索、详情页消费内容↓使用 AI 摘要和单篇知文 RAG 问答提升阅读效率用户身份如何安全管理；大文件和 Markdown 正文如何发布；Feed 流如何保证读取性能；搜索如何做到相关性、排序和深分页稳定；AI 问答如何围绕单篇知文准确回答；派

在平台中，用户发布的是一篇篇“知文”，内容可能是 Markdown 文档、图文笔记、长篇技术总结等。因为向量库中存储的是全站知文的切片，如果只按问题做相似度检索，可能召回其他文章里的内容。这套设计的核心不是简单接一个大模型接口，而是把“大模型回答”约束在“当前知文上下文”里。很重要，它会关闭 curl 的缓冲，让你能看到流式输出效果。这一步会返回模型生成内容的流式结果，也就是最终接口返回的。这里的

AI 部分分成两个能力。用户输入正文↓调用 DeepSeek↓生成不超过 50 字中文摘要↓服务端做格式清洗和截断第二个是 RAG 问答。用户围绕单篇知文提问↓检查该知文是否已索引↓从 OSS 拉取 Markdown↓按标题和长度切片↓写入 Elasticsearch 向量库↓向量召回相关片段↓按 postId 过滤当前知文上下文↓构造 Prompt↓DeepSeek 流式生成↓SSE 返回前端这

AI 部分分成两个能力。用户输入正文↓调用 DeepSeek↓生成不超过 50 字中文摘要↓服务端做格式清洗和截断第二个是 RAG 问答。用户围绕单篇知文提问↓检查该知文是否已索引↓从 OSS 拉取 Markdown↓按标题和长度切片↓写入 Elasticsearch 向量库↓向量召回相关片段↓按 postId 过滤当前知文上下文↓构造 Prompt↓DeepSeek 流式生成↓SSE 返回前端这

第 1 篇：关注/取关如何写 following 主表和 outbox 表第 2 篇：Canal 如何订阅 outbox binlog 并投递 Kafka这一篇继续看事件真正被消费之后，系统如何更新多个“伪从”。following 主表：权威事实follower 表：粉丝视角伪从Redis ZSet：关注/粉丝列表缓存伪从Redis SDS：用户计数伪从Caffeine：大 V 用户 Top 列表

今天开始整理项目中的用户关系系统。关注用户取消关注查询是否关注、是否被关注、是否互关查询关注列表和粉丝列表维护关注数、粉丝数异步更新缓存和粉丝表这部分没有简单地在一个接口里同时更新所有数据，而是采用了“一主多从 + 事件驱动”的模型。following 表：主事实表follower 表：粉丝视角的伪从表用户计数 SDS：计数伪从Redis ZSet：列表缓存伪从关注动作发生时，只要求followi

上一篇我们已经完成了发布系统的前半段：创建草稿、OSS 预签名直传和内容确认。今天我们来继续整理后半段：更新标题、标签、图片列表、可见性、摘要，并接入 DeepSeek AI 实现一键生成文章摘要，最后将草稿正式发布。上传确认完成 -> 更新元数据 -> AI 生成摘要 -> 保存摘要 -> 发布草稿"content" : "这里是 Markdown 正文内容..." }"description"