后端架构 (WHartTest_Django)

后端基于 Django 和 Django REST Framework (DRF) 构建，是一个强大的 API 服务器，负责处理业务逻辑、数据持久化，并集成了先进的 AI 能力。

2.1. 技术选型

类别	技术	说明
核心框架	Django & DRF	提供了一个健壮、安全且可扩展的 Web API 开发框架。
数据库	SQLite / PostgreSQL	开发时使用 SQLite，生产环境推荐使用 PostgreSQL。
认证授权	Simple JWT & API Key	提供 JWT (JSON Web Token) 用于前端用户认证，同时支持 API Key 用于外部工具或服务的认证。
AI 引擎	LangChain & LangGraph	作为 AI 核心，用于构建和运行复杂的大语言模型 (LLM) 应用，如对话系统和测试用例生成。
知识库	ChromaDB & HuggingFace	使用 ChromaDB 作为向量数据库，结合 HuggingFace 的 BGE-M3 等嵌入模型，实现高效的 RAG (检索增强生成)。
API 文档	drf-spectacular	自动生成符合 OpenAPI 3.0 规范的 API 文档 (Swagger UI, ReDoc)。
异步任务	(待定)	可通过 Celery 等工具实现异步任务处理，如文档向量化。

2.2. 应用模块 (Apps)

项目采用模块化的设计，每个 Django App 负责一个明确的功能领域：

• accounts: 负责用户注册、登录和认证，基于 Django 内置的 User 模型。
• projects: 管理项目和项目成员，实现了项目级别的数据隔离和基于角色的访问控制 (Owner, Admin, Member)。
• testcases: 负责测试用例的 CRUD，支持多级模块、测试步骤和截图管理。
• knowledge: 知识库核心。管理知识库、文档上传（支持 PDF, DOCX 等），并调用服务进行文档解析、分块和向量化，最终存入 ChromaDB。
• langgraph_integration: AI 对话核心。管理 LLM 配置，并提供与 LangGraph 交互的接口，实现 AI 对话、上下文管理和流式响应。
• mcp_tools: 负责与外部工具通过模型上下文协议 (MCP) 进行集成，管理远程 MCP 服务器配置。
• api_keys: 提供 API Key 的生成和管理功能，用于保护需要程序化访问的端点。
• prompts: (规划中) 用于管理和版本化与 LLM 交互的提示词。
• requirements: (规划中) 负责需求文档的管理和智能评审。

2.3. 核心机制

• API 架构:
  • 视图集 (ViewSets): 广泛使用 DRF 的 ModelViewSet 结合 DefaultRouter 快速构建遵循 RESTful 风格的 CRUD API。
  • 序列化器 (Serializers): ModelSerializer 用于模型的验证、数据转换和 JSON 格式化。
  • 统一响应格式: 通过自定义的 UnifiedResponseRenderer，所有 API 响应都遵循 { "status": "success/error", "code": 200, "message": "...", "data": ... } 的标准格式。
• 数据库模型:
  • 核心模型包括 Project, User, TestCase, KnowledgeBase, Document 等。
  • 模型之间通过外键 (ForeignKey) 和多对多 (ManyToManyField) 关系构建了清晰的数据结构，例如：一个 Project 可以有多个 TestCase 和 KnowledgeBase。
• 认证与权限:
  • 双重认证: API 请求可以通过 Authorization: Bearer <JWT> 或 Authorization: Api-Key <KEY> 进行认证。
  • 分层权限: 实现了基于 Django ModelPermissions 和项目角色的自定义权限系统。视图集会根据 action (如 list, create, destroy) 动态应用不同的权限检查，确保用户只能在授权范围内操作数据。
• AI 与 RAG 集成:
  • 当用户在 AI 对话中提问时，langgraph_integration 应用会接收请求。
  • 它会调用 knowledge 应用的服务，将问题向量化并在 ChromaDB 中检索相关的文档片段（Chunks）。
  • 检索到的上下文会与用户的原始问题、系统提示词一起被整合，并发送给 LangGraph 中定义的大语言模型。
  • LLM 基于增强的上下文生成更精准的回答，最终通过流式响应返回给前端。