这个夏天，开源点燃青春。
2025 年「开源之夏（Summer 2025 of Open Source）」活动正在火热进行中，KubeSphere 社区很荣幸地宣布，历经导师、社区、组委会三轮审核，来自电子科技大学的研究生张嘉同学成功入选社区项目 ——《基于 LangGraph 的 KubeSphere 问答 AI 助手》，成为我们在 AI+开源探索中的重要伙伴。
项目概况： 基于 LangGraph 实现的 KubeSphere 社区问答 AI 助⼿
随着 KubeSphere 平台功能的持续演进和用户数量的稳步增长，用户在使用过程中的问题愈加多样，文档检索和经验迁移效率成为影响社区支持质量的关键因素。
本项目旨在开发一款基于 LangGraph 和 RAG（检索增强生成）的 KubeSphere 社区问答 AI 助手，支持以下关键功能：
- 自然语言理解：支持中文输入，能够准确识别用户问题意图；
- 智能文档检索与答案生成：对接 Milvus 向量数据库和 KubeSphere 多源知识库；
- 多轮上下文对话：基于 LangGraph 实现状态管理，具备上下文感知能力；
- 控制台无缝集成：通过 LuBan 插件扩展，嵌入 KubeSphere 控制台界面；
- 模型适配：支持 Claude 3、Qwen、GLM 等主流大语言模型。
该项目由 KubeSphere 社区上海站站长张海立老师担任指导老师，围绕社区实际需求展开研发设计，具有良好的实用价值与工程落地前景。
学生介绍：来自电子科大的张嘉
张嘉同学本科与硕士均就读于电子科技大学计算机专业，具备扎实的计算机理论基础与丰富的工程实战经验。他不仅精通 Java、Spring 系列框架、MySQL、Redis 等主流后端技术栈，还熟悉数据挖掘与分布式系统架构，曾参与 Apache Seatunnel 等知名开源项目的贡献，并在 Kaggle 数据挖掘竞赛中获得银牌。他的开源账户（GitHub ID：jia17）中，已经积累了多个 RAG 智能问答助手等实践成果。
张嘉同学表示，他对大语言模型（LLM）与检索增强生成（RAG）技术有较强的兴趣，平时也有相关项目的实践积累。了解到 KubeSphere 社区在这一方向正开展相关探索，并开放了适配的开源之夏项目后，他认为这是一个能够结合个人兴趣、深入理解工程实现的宝贵机会。
他也提到，本次项目由 KubeSphere 社区的张海立老师指导，项目设计贴近实际需求，技术路线清晰，具备较强的学习和成长空间。出于对该方向的关注以及对社区氛围的认可，他选择提交申请，并希望通过参与项目进一步提升自身在 LLM 应用开发方面的能力。
项目计划与技术实现
本项目采用模块化设计与状态驱动架构，涵盖以下关键组件：
- LangGraph 状态流控制与 Agent 工作流设计
- Milvus 向量数据库构建与混合检索实现（BM25 + 向量）
- CRAG / Self-RAG 自我校正检索机制
- Answer Critique 生成答案质量评估
- 上下文管理器与 Checkpointer 多轮对话记忆机制
- Qwen / GLM 模型集成与 Prompt 工程实践
项目计划从 7 月初开始，分为架构设计、知识库建设、主流程开发、多轮对话实现、前端集成与部署上线六个阶段，总开发周期为 10 周，具体安排如下：
| 阶段 | 时间 | 内容 |
|---|---|---|
| 阶段一 | 7.1 - 7.7 | 需求分析与 LangGraph 状态机设计 |
| 阶段二 | 7.8 - 7.21 | KubeSphere 知识库构建与向量化 |
| 阶段三 | 7.22 - 8.11 | RAG 工作流实现与混合检索机制开发 |
| 阶段四 | 8.12 - 8.18 | 多轮上下文对话系统与状态持久化实现 |
| 阶段五 | 8.19 - 9.1 | 控制台 UI 集成与前端组件开发 |
| 阶段六 | 9.2 起 | 部署测试、性能评估与文档完善 |
张嘉同学承诺，每周投入不少于 40 小时开发时间，确保进度稳步推进、质量达标。
展望与期待
我们对张嘉同学的技术能力与执行力充满信心，也期待在社区导师指导下，他能在本项目中取得出色成果。
KubeSphere 社区将继续秉持「开放、协作、创新」的理念，欢迎更多关注云原生、AI、大数据与 DevOps 方向的高校开发者加入我们，共建面向未来的开源生态。
再次恭喜张嘉，也向所有参与开源之夏的青年开发者致敬！
开源之夏时间节点一览
想了解更多 KubeSphere 项目内容与社区动态，欢迎访问官方网站：kubesphere.io
本文由博客一文多发平台 OpenWrite 发布！
