AutoFlow

怎么说呢，

至于推荐指数，★★★☆☆ 至于最佳使用场景。

Graph RAG based conversational knowledge base for TiDB.

什么是AutoFlow？

AutoFlow 是一个基于图形 RAG 的对话知识库工具，建立于 TiDB 无服务器向量存储和 LlamaIndex 之上。它允许使用者询问关于 TiDB 的问题，并基于使用 TiDB 无服务器向量存储建立的知识图谱提供答案。说起来，

使用者痛点

• 信息检索慢：传统文档搜索往往需要手动浏览大量资料。效率低下，
• 知识更新不及时：手工维护 FAQ 或知识库成本高，容易出现过时信息。其实，
• 对话不连贯：现有聊天机器人缺乏上下文感知。回答断裂或重复，
• 技术门槛高：搭建专业知识图谱需要大量数据工程与 AI 开发经验。不过，

主要功能

1️⃣ **即时问答** – 输入任意 TiDB 相关问题。即时得到基于最新向量存储的答案。2️⃣ **图谱驱动** – 利用图结构展示实体间关系，让查询结果更直观、可追溯。3️⃣ **无服务器架构** – 自动扩容、弹性支付，减少运维成本。4️⃣ **LlamaIndex 集成** – 高效的数据索引与检索，支持多模态输入。按理说，5️⃣ **可视化管理** – 通过 UI 可轻松添加/更新节点、关系及属性。

技术架构

• Tidb Vector Store: 支持无服务器向量存储，兼容 SQL 查询与向量检索。说起来，
• LlamaIndex: 用于将文档拆分为可检索的 chunk。并生成 embeddings。
• Dgraph / Neo4j: 存储并查询复杂关系图谱。老实说，
• AWS Lambda / GCP Cloud Functions: 提供弹性计算资源。

使用教程

1. 准备数据：将 TiDB 文档、FAQ、代码示例等上传至数据湖或 S3。
2. 创建向量索引： LlamaIndex.create_vector_index
3. 搭建图谱： Dgraph.add_nodes_and_edges
4. 部署服务： 运行 AutoFlow API 并配置无服务器函数。
5. A/B 测试： 回答质量与延迟表现。

常见问题解答

\ \ \

问题	答案
如何保证答案的实时性？	利用 TiDB 无服务器向量存储，每次新增或更新节点后即刻触发重建索引；采用增量推送策略避免全量重建。
支持哪些语言模型？	默认集成 OpenAI GPT 系列，也可通过自定义接口接入 Claude、Gemini 等模型。
如何处理敏感信息？	在上传前进行脱敏处理；若需保留，可设置访问控制列表 ACL 与加密存储方案。

##

`