1. 课程导论：门禁日志检索场景痛点、Agent 技术选型、课程目标与学习路径
1.1 场景痛点：为什么传统门禁日志检索“慢、难、贵”？
在企业园区、数据中心、政府大楼等场景中，门禁系统每天产生数百万条通行记录。当安全事件发生时（如尾随闯入、卡证盗用、异常时段通行），运维人员需要从海量日志中快速定位线索。然而，传统检索模式存在三大核心痛点：
| 痛点维度 | 具体表现 | 业务影响 |
|---|---|---|
| 检索效率低 | 依赖人工编写 SQL 或登录 ELK 界面逐层筛选，单次跨天检索耗时 5~15 分钟 | 安全事件响应窗口被拉长，错过黄金追溯期 |
| 查询门槛高 | 非技术人员（安保、行政）无法直接操作日志系统，需排队等待 DBA 或运维支持 | 自助服务能力缺失，运维团队沦为“查询工单处理中心” |
| 资源消耗大 | 全量扫描式查询导致 ES 集群 CPU 飙升至 80%+，频繁触发 OOM 或 GC 停顿 | 影响其他业务日志写入，甚至引发集群雪崩 |
典型数据：某 5000 人规模园区，日均门禁日志约 300 万条。一次“人员+时间+门点”三维组合查询，在未优化情况下扫描 1.2 亿条记录，耗时 11 分钟，ES 集群 CPU 负载从 30% 骤升至 92%。
1.2 Agent 技术选型：为什么选择“大模型 + 检索增强”架构？
针对上述痛点，本课程选用 AI Agent（智能体） 作为核心解决方案。Agent 能够理解自然语言、自动拆解检索意图、调用后端 API 并返回结构化结果。技术选型对比表如下：
| 方案 | 实现方式 | 适用场景 | 局限性 |
|---|---|---|---|
| 传统规则引擎 | 预定义关键词 + 正则匹配 | 固定模式查询（如“查张三 2024-01-01 的刷卡记录”） | 无法处理模糊语义、组合条件、自然语言变体 |
| 纯 LLM 直接生成查询 | 将自然语言直接翻译为 ES DSL 或 SQL | 简单单表查询 | 幻觉率高、无法验证查询正确性、无权限管控 |
| Agent + RAG（检索增强生成） | LLM 作为推理引擎 + 向量知识库 + 工具调用（ES API） | 复杂多条件检索、跨表关联、权限校验 | 部署复杂度较高，需优化 消耗 |
本课程采用 Agent + RAG 架构，核心组件包括：
- LLM 推理层： 负责意图识别、参数提取、结果摘要生成（如 / 本地部署的 Qwen2.5）。
- 向量知识库： 存储门禁点位、人员组织架构、常见查询模板的 Embedding，用于语义匹配。
- 工具调用层： 封装 ES 查询接口、权限校验接口、结果格式化模块。
- 缓存与限流层： 减少重复查询对 ES 集群的冲击，控制 LLM API 调用频率。
1.3 课程目标：从“能查”到“快查、省资源、可运维”
本课程围绕三个核心目标展开，覆盖部署、调优与运维全生命周期：
- 部署落地： 完成 Agent 从 0 到 1 的容器化部署，对接真实门禁日志 ES 索引，实现自然语言检索闭环。
- 资源优化： 将单次查询的 ES 资源消耗降低 60% 以上，LLM API 调用成本降低 40%，避免集群过载。
- 运维可观测： 建立 Agent 调用链追踪、 用量监控、查询质量评估体系，确保生产环境稳定运行。
课程特色： 每章均提供可复用的 Docker Compose 部署文件、Prometheus + Grafana 监控面板 JSON 模板，以及性能压测脚本。学完即可直接应用于生产环境。
1.4 学习路径：分阶段进阶，理论与实践并重
课程共 30 章，划分为四个阶段，建议按顺序学习：
| 阶段 | 章节范围 | 核心内容 | 产出物 |
|---|---|---|---|
| 基础篇 | 第 1~8 章 | 场景分析、Agent 框架选型、环境搭建、ES 索引优化 | 可运行的 Agent 原型 + 优化后的 ES 索引模板 |
| 进阶篇 | 第 9~18 章 | RAG 集成、工具调用设计、缓存策略、并发与限流 | 生产级 Agent 服务 + 缓存命中率 > 70% |
| 优化篇 | 第 19~25 章 | LLM 推理加速、ES 查询剪枝、资源消耗建模与压测 | 性能报告 + 资源消耗优化方案 |
| 运维篇 | 第 26~30 章 | 监控告警、日志审计、故障演练、持续迭代 | Grafana 监控大盘 + 运维手册 |
1.5 前置知识与环境要求
为获得最佳学习效果，建议学习者具备以下基础：
- 熟悉 Linux 基本操作（Docker、Shell 脚本）
- 了解 Elasticsearch 基础概念（索引、映射、查询 DSL）
- 有 Python 或 Go 语言基础（用于阅读和修改 Agent 代码）
- 拥有至少一台 4C8G 的服务器或云主机（用于部署实验环境）
注意： 本课程涉及 LLM API 调用，请提前准备好 兼容的 （或本地部署的 vLLM / Ollama 服务）。课程中会提供成本控制方案，但基础 API 费用需自行承担。