本文档提供一组精心设计的示例问题，用于演示 DataMind 的 Agent 如何自动调度不同模块来回答问题。每个问题都标注了预期触发的模块，方便你验证系统是否正常工作。

使用方式：启动 Web 界面 (python server.py) 或终端 (python main.py)，依次输入下面的问题。

1. RAG 知识库检索

RAG 模块从 profile 目录下的文档中检索语义相关的内容。

#	示例问题	预期行为
1.1	DataMind 支持哪些文档格式？	检索 sample.txt，返回 PDF/TXT/MD/DOCX 等
1.2	这个项目使用了什么向量数据库？	检索到 Chroma 相关描述
1.3	RAG 检索的核心原理是什么？	检索到向量化 + 余弦相似度的描述
1.4	LlamaIndex 提供了哪些功能？	检索到数据连接器、索引结构、查询接口

2. 多模态 RAG 检索

多模态 RAG 能够从图片中提取信息并用于检索问答。需要先切换到多模态 demo profile：

DATA_PROFILE=mm_demo IMAGE_EMBEDDING_MODE=vlm_describe python server.py

内置的 mm_demo profile 包含文本 + 图片混合数据（data/profiles/mm_demo/），其中三张图片分别展示了系统架构图、检索策略对比柱状图和知识图谱可视化。

#	示例问题	预期行为
2.1	系统架构有哪几层？每层包含什么组件？	VLM 从 arch.png 提取架构信息，回答包含 Data Layer / Service Layer / API Gateway 等
2.2	哪种检索策略的召回率最高？具体是多少？	VLM 从 chart.png 读取柱状图数据，回答包含 Hybrid 91% 等具体数值
2.3	知识图谱中有哪些实体和关系？	VLM 从 graph.png 提取图谱结构，回答包含实体节点数和关系边数

注意：多模态模式下首次启动会调用 VLM API（如 GPT-4o）为图片生成文本描述，之后会缓存在索引中。

3. GraphRAG 图谱检索

GraphRAG 模块通过知识图谱的实体和关系进行多跳推理。

#	示例问题	预期行为
3.1	DataMind 基于什么框架？	图谱推理: DataMind → 基于 → LlamaIndex
3.2	DataMind 包含哪些模块？	图谱推理: DataMind → 包含模块 → RAG/GraphRAG/NL2SQL
3.3	RAG 向量检索使用了什么技术？	图谱推理: RAG向量检索 → 使用技术 → Chroma
3.4	LlamaIndex 和 Python 是什么关系？	图谱推理: LlamaIndex → 是 → Python框架

4. Database 数据库查询

Database 模块将自然语言转换为 SQL 查询，在 SQLite 中执行。

当前 demo 数据库包含：

• employees 表: 8 名员工 (张三、李四、王五、赵六、孙七、周八、吴九、郑十)
• projects 表: 4 个项目 (RAG智能助手、数据分析平台、移动端App、品牌推广)

#	示例问题	预期行为
4.1	工程部有几个人？	SQL: SELECT COUNT(*) ... WHERE department='工程部' → 4
4.2	谁的工资最高？	SQL: ORDER BY salary DESC LIMIT 1 → 孙七 45000
4.3	北京的员工有哪些？	SQL: WHERE city='北京' → 张三、王五、孙七、郑十
4.4	预算超过 20 万的项目有哪些？	SQL: WHERE budget > 200000 → RAG智能助手、数据分析平台
4.5	RAG 智能助手项目的负责人是谁？	SQL: JOIN employees 和 projects → 孙七
4.6	各部门的平均工资是多少？	SQL: GROUP BY department + AVG(salary)

5. Skills 知识型技能

Skills 知识模块从 data/skills/ 下的 Markdown 文件中检索操作流程和最佳实践。

#	示例问题	预期行为
5.1	数据库备份的最佳策略是什么？	检索 SOP，返回全量+增量备份策略
5.2	数据库慢查询怎么排查？	检索 SOP，返回慢查询分析步骤
5.3	代码审查应该重点关注什么？	检索审查指南，返回功能正确性/代码质量/安全性/性能
5.4	Code Review 的反馈应该怎么写？	检索审查指南，返回 MUST/SHOULD/NICE 分级
5.5	数据库故障排查的步骤？	检索 SOP 故障排查清单

6. Skills 工具型技能

工具型技能是 Python 函数，Agent 自动调用获取精确结果。

#	示例问题	预期行为
6.1	现在几点了？	调用 get_current_time → 返回当前日期时间
6.2	计算 sqrt(144) + 3^4	调用 calculator → 12 + 81 = 93
6.3	100 公里等于多少英里？	调用 unit_convert → 62.14 mile
6.4	25 摄氏度等于多少华氏度？	调用 unit_convert → 77°F

7. Memory 对话记忆

Memory 模块让 Agent 记住对话上下文。需要连续提问来验证。

#	操作	预期行为
7.1	先问: 工程部有几个人？	正常回答: 4 个
7.2	再问: 他们分别是谁？	Agent 记得上文在讨论"工程部"，返回张三、李四、孙七、吴九
7.3	再问: 其中谁的工资最高？	Agent 记得上下文，回答: 孙七 45000
7.4	问: 我刚才问了什么？	Agent 基于记忆回顾之前的对话内容

8. 多模块联动

以下问题可能触发 Agent 同时调用多个工具，体现智能调度能力。

#	示例问题	预期触发模块
8.1	DataMind 用了什么技术栈？各模块分别用了什么？	RAG + GraphRAG
8.2	工资最高的员工负责的是哪个项目？这个项目预算多少，折合多少美元？	Database + calculator
8.3	数据库出了性能问题，应该怎么排查？先帮我看看当前数据库有哪些表	Skills + Database
8.4	今天是几号？帮我算一下如果按全量备份策略，30天前的备份应该从哪天开始保留？	get_current_time + calculator + Skills

9. 普通闲聊

以下问题 Agent 会直接用 LLM 回答，不需要调用任何工具。

#	示例问题	预期行为
9.1	你好！	直接打招呼
9.2	你能做什么？	介绍自身能力
9.3	给我讲个笑话	直接生成内容

推荐演示流程

如果要做一个完整的演示，推荐按以下顺序：

1. RAG: 问 DataMind 支持哪些文档格式？
2. 多模态 RAG: 切换到 mm_demo profile，问 系统架构有哪几层？
3. GraphRAG: 问 DataMind 包含哪些模块？
4. Database: 问 谁的工资最高？
5. Skills: 问 数据库备份的最佳策略是什么？
6. Tool: 问 现在几点了？
7. Memory: 问 工程部有几个人？ 然后问 他们分别是谁？
8. 联动: 问 工资最高的员工负责哪个项目？预算折合多少美元？

提示：可以打开 Web 界面右侧面板，在提问的同时查看各模块的状态变化。