feat: AI 驱动的配方研发智能平台 v0.1

核心功能: - M3 配方记录: 创建/编辑/详情/可视化编辑/AI提取/版本历史/版本对比 - M1 颜色引擎: D3.js 色相环/滑条微调/ΔE计算/取色棒/AI配色推荐 - M2 可视化编辑器: ECharts饼图/成分滑条/AI预测/雷达图/仪表盘 - M4 配方推演: 约束设置/SSE推演/方案对比/散点图 - 平台: NL智能搜索/项目管理/CSV导出/JWT认证/全局搜索技术栈: - 前端: React + Vite + Tailwind CSS 4 + Zustand + TanStack Query - 后端: Fastify 5 + Prisma 7 + PostgreSQL + pgvector - AI: OpenAI/DeepSeek API 调用 + Prompt模板 + 缓存/降级/限流 - 测试: Vitest 42 tests (26 API集成 + 16 色彩模块)
2026-05-20 17:50:37 +08:00
commit 23e5cb4006
125 changed files with 14454 additions and 0 deletions
--- a/docs/adr/0001-architecture-stack.md
+++ b/docs/adr/0001-architecture-stack.md
@@ -0,0 +1,268 @@
+# ADR-0001: 整体技术栈选型
+
+> **状态**: 已决议
+> **日期**: 2026-05-20
+> **决策者**: 架构评审
+
+---
+
+## 上下文
+
+构建 AI 驱动的化妆品配方研发智能平台（纯 Web 端），涉及四大核心模块：颜色引擎（广色域渲染）、配方可视化编辑器（拖拽交互 + 实时 AI 反馈）、配方记录管理（结构化存储 + NL 搜索）、配方推演引擎（多方案并行优化）。需对前端框架、图表库、色彩科学库、后端架构、数据库等做出技术选型。
+
+---
+
+## 决策
+
+### 1. 前端框架 → React 18 + TypeScript 5.7
+
+| 候选 | 优势 | 劣势 | 结论 |
+| :--- | :--- | :--- | :--- |
+| **React** | 生态最丰富；ECharts/D3/color.js 均有 React 绑定；招聘成本最低；TS 成熟 | Hooks 学习曲线 | ✅ 推荐 |
+| Vue 3 | 模板直观；Composition API 类型推导好 | ECharts 官方 React 绑定更成熟；D3 + Vue 组合不如 React 灵活 | ❌ |
+| Svelte 5 | 编译时框架，运行时极小 | 生态较小；关键库适配风险；社区资源少 | ❌ |
+| SolidJS | 性能优于 React；API 相似 | 社区太小（GitHub stars ~30k vs React ~230k）；生产风险高 | ❌ |
+
+**决策**：React 18 + TypeScript strict mode。React 19 待生态稳定后再升级。
+
+---
+
+### 2. 构建工具 → Vite 6
+
+| 候选 | 优势 | 劣势 | 结论 |
+| :--- | :--- | :--- | :--- |
+| **Vite** | 原生 ESM 开发（毫秒级 HMR）；Rollup 生产打包；零配置开箱；SSR 可选 | — | ✅ 推荐 |
+| Next.js 15 | 全栈能力；SSR/SSG/ISR | 内部工具无需 SSR/SEO；增加复杂度；App Router 学习曲线陡峭 | ❌ |
+| Remix | SSR 优先；Web 标准 | 同上；社区较 Next.js 小 | ❌ |
+| CRA | — | 已停止维护；Webpack 构建慢 | ❌ |
+
+**决策**：Vite 6，SPA 模式。平台为内部工具，无需 SEO/SSR。
+
+---
+
+### 3. 状态管理 → Zustand 5
+
+| 候选 | 优势 | 劣势 | 结论 |
+| :--- | :--- | :--- | :--- |
+| **Zustand** | 极简 API（无 Provider/Reducer）；TS 完美；< 2KB；中间件（persist/immer/devtools） | — | ✅ 推荐 |
+| Redux Toolkit | 完善的 DevTools；团队规范 | 模板代码多；概念多（slice/thunk/selector）；过度工程化 | ❌ |
+| Jotai | 原子化精细更新 | 原子拆分粒度决策成本高；对中型应用过度 | ❌ |
+| MobX | 响应式直观 | 装饰器语法过时；与 React 18+ 严格模式兼容性问题 | ❌ |
+
+**决策**：Zustand。服务端状态用 TanStack Query，客户端状态用 Zustand，边界清晰。
+
+---
+
+### 4. 路由 → React Router v7
+
+| 候选 | 优势 | 劣势 | 结论 |
+| :--- | :--- | :--- | :--- |
+| **React Router v7** | 最广泛使用；layout routes；v7 类型安全路由；社区资源极丰富 | — | ✅ 推荐 |
+| TanStack Router | 编译时类型安全最强 | 生态较小；与第三方库集成案例少 | ❌ |
+
+**决策**：React Router v7。
+
+---
+
+### 5. CSS 方案 → Tailwind CSS 4 + CSS Modules
+
+| 候选 | 优势 | 劣势 | 结论 |
+| :--- | :--- | :--- | :--- |
+| **Tailwind + CSS Modules** | Tailwind 处理 80% 日常样式；CSS Modules 处理复杂定制（颜色盘）；零运行时；Tailwind v4 CSS-first 配置 | 需同时掌握两套语法 | ✅ 推荐 |
+| styled-components | CSS-in-JS，组件级隔离 | 运行时开销（~14KB）；Server Components 不兼容趋势 | ❌ |
+| Panda CSS | 编译时 CSS-in-JS | 较新（2024），生态不成熟 | ❌ |
+| Vanilla Extract | 类型安全 CSS-in-JS | 构建步骤复杂；社区小 | ❌ |
+
+**决策**：Tailwind CSS 4（原子化，处理布局/间距/响应式）+ CSS Modules（处理颜色盘 Canvas 容器、图表交互区等复杂定制场景）。
+
+---
+
+### 6. UI 行为组件 → Radix UI
+
+| 候选 | 优势 | 劣势 | 结论 |
+| :--- | :--- | :--- | :--- |
+| **Radix UI** | Headless（完全控制样式）；WAI-ARIA 内置；组件粒度合适；与 Tailwind 天配 | 无预置视觉风格（需要自行设计） | ✅ 推荐 |
+| Ant Design | 开箱即用，组件丰富 | 企业后台感强；视觉定制困难；不适合创意工具；bundle 大 | ❌ |
+| MUI | Material Design 完整实现 | 同上；Google 风格固化 | ❌ |
+| shadcn/ui | 基于 Radix + Tailwind，复制源码 | 本质是 Radix 封装；直接 Radix 更灵活 | ❌ |
+
+**决策**：Radix UI 提供 Dialog、Popover、Dropdown、Tabs、Tooltip 等行为组件。视觉层完全自定义，匹配配方研发工具的专业调性。
+
+---
+
+### 7. 图表可视化 → ECharts 5（主力） + D3.js 7（定制）
+
+| 候选 | 雷达图 | 拖拽饼图 | 仪表盘 | 散点图 | 自定义度 | Bundle | 结论 |
+| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
+| **ECharts** | ✅ 内置 | ✅ resize 事件 | ✅ 内置 | ✅ 内置 | 中 | ~300KB（按需~150KB） | ✅ 主力 |
+| **D3.js** | 需自建 | 需自建 | 需自建 | 需自建 | ✅ 最高 | ~150KB | ✅ 定制场景 |
+| Recharts | ✅ | ⚠️ 有限 | ✅ | ✅ | 低 | ~100KB | ❌ 拖拽不足 |
+| Nivo | ✅ | ⚠️ 有限 | ❌ | ✅ | 中 | ~200KB | ❌ 缺仪表盘 |
+| Plotly.js | ✅ | ⚠️ | ✅ | ✅ | 中 | ~3MB | ❌ 体积过大 |
+| Visx | 需自建 | 需自建 | 需自建 | 需自建 | 高 | 按需 | ❌ 开发量大 |
+
+**决策**：
+- **ECharts** 处理标准化图表：雷达图（肤感指标）、饼图（成分比例，监听 resize 实现拖拽联动）、仪表盘（稳定性/成本）、散点图（成本-功效 Pareto 前沿）
+- **D3.js** 处理高度定制场景：色相环/颜色盘、配方路径示意图、配方结构树图
+- React 绑定使用 `echarts-for-react`
+
+---
+
+### 8. 色彩科学 → color.js
+
+| 候选 | 色空间 | ΔE | Display P3 | 色域映射 | TS 类型 | 维护者 | 结论 |
+| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
+| **color.js** | Lab/LCH/OKLab/Display P3 + 20+ | CIEDE2000/CMC/... | ✅ | ✅ | ✅ 完备 | Lea Verou (W3C CSS WG) | ✅ 推荐 |
+| chroma.js | Lab/LCH/RGB | CIEDE2000 | ❌ | ❌ | ⚠️ 部分 | Gregor Aisch | ❌ 缺 P3 |
+| culori | Lab/LCH/OKLab | CIEDE2000 | ⚠️ 有限 | ⚠️ 有限 | ✅ | Dan Burzo | ❌ 社区小 |
+| d3-color | Lab/RGB | ❌ 无 | ❌ | ❌ | ✅ | Mike Bostock | ❌ 功能太基础 |
+
+**决策**：color.js。唯一同时支持 Display P3 色空间、CIEDE2000 ΔE、色域映射的开源 JS 库。由 CSS Color Level 4 规范编者维护，与浏览器标准对齐。
+
+---
+
+### 9. 拖拽交互 → DnD Kit
+
+| 候选 | 状态 | 鼠标/触摸/键盘 | 碰撞检测 | TS | 维护 | 结论 |
+| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
+| **@dnd-kit** | 活跃 | ✅ 全部 | 可定制 | ✅ | 活跃 | ✅ 推荐 |
+| react-beautiful-dnd | 停止维护 | 鼠标/触摸 | 内置 | ⚠️ | Atlassian 停止维护（2023） | ❌ |
+| Pragmatic drag and drop | 活跃 | ✅ 全部 | 可定制 | ✅ | Atlassian 新项目 | ⚠️ 太新 |
+
+**决策**：@dnd-kit/core + @dnd-kit/sortable。饼图段的拖拽调整比例场景完美匹配，支持自定义碰撞检测算法。
+
+---
+
+### 10. 数据请求 → TanStack Query 5
+
+| 候选 | 优势 | 劣势 | 结论 |
+| :--- | :--- | :--- | :--- |
+| **TanStack Query** | 缓存/重试/乐观更新/无限滚动开箱即用；与 Zustand 分工清晰 | — | ✅ 推荐 |
+| SWR | 类似功能 | API 不如 TanStack Query 丰富 | ❌ |
+| RTK Query | Redux 集成 | 绑定 Redux | ❌ |
+
+**决策**：TanStack Query v5。推荐列表、配方搜索、AI 预测等所有异步请求均通过它管理。
+
+---
+
+### 11. 后端 → Fastify（BFF 单体）+ 外部 AI API
+
+```
+┌─────────┐     HTTP/SSE     ┌──────────┐     HTTP       ┌──────────┐
+│  React   │ ◄─────────────► │ Fastify   │ ◄────────────► │ AI API    │
+│  前端    │                  │  BFF 层   │               │ (外部)    │
+└─────────┘                  └────┬─────┘               └──────────┘
+                                  │
+                             ┌────▼─────┐
+                             │PostgreSQL │
+                             │ + pgvector│
+                             └──────────┘
+```
+
+| 层 | 技术 | 职责 | 理由 |
+| :--- | :--- | :--- | :--- |
+| **BFF** | Fastify 5 | API 聚合、认证鉴权、文件上传、配方 CRUD、AI API 调用代理、SSE 推送 | TS 全栈一致性；Schema 验证内置；性能优于 Express |
+| **AI** | 外部 API | 配方预测、配方生成、NL 解析、颜色匹配推荐 | 无需自建 ML infra；按需调用；模型持续更新 |
+| **通信** | REST + SSE | 前端 ↔ BFF REST；AI 预测 SSE 实时推送；BFF ↔ AI API HTTP | SSE 适合单向实时数据流；BFF 统一处理 AI 调用的编排和降级 |
+
+| BFF 框架对比 | 优势 | 劣势 | 结论 |
+| :--- | :--- | :--- | :--- |
+| **Fastify** | 高性能（~60k req/s）；插件体系；内置 Schema 验证（AJV）；TS 支持；日志（pino） | 社区较 Express 小 | ✅ 推荐 |
+| Express | 生态最大；中间件极多 | 性能较低；无内置验证；回调风格 | ❌ |
+| Hono | 极快；边缘部署 | 主要用于 Cloudflare/边缘场景 | ❌ |
+
+**AI API 调用设计**（详见 ADR-0002）：
+
+BFF 作为 AI API 的统一网关，负责：
+- **编排**：组合多次 API 调用（如"先解析 NL 查询 → 再向量搜索 → 组合 prompt → 生成推荐"）
+- **降级**：API 超时或失败时返回缓存结果或降级提示
+- **限流**：保护 API 额度，控制并发
+- **缓存**：相似查询复用结果，减少 API 调用
+- **SSE 流式**：配方推演等长耗时场景，BFF 转发 AI API 的 streaming 响应
+
+| AI 能力 | 调用方式 | 说明 |
+| :--- | :--- | :--- |
+| 配方指标预测 | Prompt + 历史数据（few-shot） | 将成分列表和比例作为 context，LLM 预测肤感/稳定性/成本 |
+| NL 搜索解析 | LLM → 结构化查询 → pgvector | LLM 将自然语言转为过滤条件 + 向量搜索 |
+| 配方生成/推演 | LLM with constraints | 给定约束条件，LLM 生成候选配方方案 |
+| 颜色推荐 | LLM + 色彩库 | 结合色差计算和 LLM 推理推荐色浆组合 |
+| 成分标签提取 | LLM 结构化提取 | 从配方文本中提取 INCI 名称、比例、工艺参数 |
+
+---
+
+### 12. 数据库 → PostgreSQL 16 + pgvector
+
+| 候选 | 结构化 | 向量搜索 | JSONB | 全文搜索 | 运维 | 结论 |
+| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
+| **PostgreSQL + pgvector** | ✅ | ✅ IVFFlat/HNSW | ✅ | ✅ | 成熟 | ✅ 推荐 |
+| MongoDB | ⚠️ 文档型 | ✅ Atlas Vector | ✅ | ⚠️ | 成熟 | ❌ 配方强关系 |
+| Elasticsearch | ❌ | ⚠️ 需插件 | ❌ | ✅ | 复杂 | ❌ 过度 |
+| Neo4j | ❌ 图 | ⚠️ | ❌ | ❌ | 小众 | ❌ 过度 |
+
+**决策**：PostgreSQL 16 + pgvector。
+
+- 配方是强结构化数据（成分→相→配方→版本，经典关系模型）
+- pgvector 0.7+ 支持 HNSW 索引，NL 搜索和相似配方匹配性能优秀
+- JSONB 处理灵活的工艺参数和元数据
+- 一个数据库同时满足关系查询 + 向量搜索 + 全文搜索，运维简单
+- 配方版本管理利用 PostgreSQL 的 MVCC + 时间戳快照
+
+---
+
+### 13. 对象存储 → MinIO
+
+**决策**：MinIO（S3 兼容），存储参考图片、导出文件。本地部署，S3 API 可无缝迁移到云。
+
+---
+
+### 14. 部署 → Docker Compose（开发）+ K8s（生产）
+
+| 服务 | 端口 | 职责 |
+| :--- | :--- | :--- |
+| Nginx | 80/443 | 静态资源、反向代理、SSL 终结 |
+| Fastify BFF | 3001 | API 聚合、认证、文件上传、AI API 代理 |
+| PostgreSQL | 5432 | 配方数据 + 向量 |
+| MinIO | 9000 | 对象存储 |
+| Redis（可选） | 6379 | 缓存、Session、AI 响应缓存 |
+
+**开发环境**：Docker Compose 一键启动所有服务（无需 AI 依赖，BFF 可 mock AI API）
+**生产环境**：Kubernetes，仅 4 个核心服务，显著降低运维复杂度
+
+---
+
+## 后果
+
+### 正向
+
+- React + Vite + Zustand + TanStack Query 形成轻量高效的现代前端栈
+- ECharts + D3.js 组合覆盖标准化图表和定制可视化全场景
+- color.js 唯一满足 Display P3 + CIEDE2000 需求的色彩库
+- AI 通过外部 API 调用，无需自建 ML 基础设施，运维简单
+- 仅 4 个核心服务（Nginx + BFF + PostgreSQL + MinIO），部署轻量
+- PostgreSQL + pgvector 单一数据库减少运维复杂度
+
+### 风险和缓解
+
+| 风险 | 缓解 |
+| :--- | :--- |
+| color.js 仍为 Beta（v0.x） | 锁定版本；Delta E 逻辑简单，必要时可自实现 CIEDE2000 |
+| DnD Kit 维护节奏慢 | API 稳定，核心功能完备；锁定版本 |
+| AI API 延迟 / 不可用 | BFF 层缓存 + 降级策略；关键路径设置超时（详见 ADR-0002） |
+| AI API 调用成本 | 缓存相似查询；Prompt 压缩优化；使用 cheaper 模型做预处理 |
+| pgvector HNSW 索引构建耗时 | 配方数据量级可控（万级），索引构建秒级 |
+
+### 需要关注但未在本次决议的
+
+- CI/CD 流水线（GitHub Actions / GitLab CI）
+- 监控和日志（Sentry + Grafana + Loki）
+- 认证方案（JWT + OAuth2 / LDAP 企业对接）
+- 测试框架细节（在实现阶段决策）
+
+---
+
+## 参考
+
+- PRD: `.scratch/formula-rd-platform/PRD.md`
+- CSS Color Level 4: https://www.w3.org/TR/css-color-4/
+- color.js: https://github.com/color-js/color.js
+- pgvector: https://github.com/pgvector/pgvector
--- a/docs/adr/0002-ai-api-strategy.md
+++ b/docs/adr/0002-ai-api-strategy.md
@@ -0,0 +1,266 @@
+# ADR-0002: AI 能力通过外部 API 调用实现
+
+> **状态**: 已决议
+> **日期**: 2026-05-20
+> **父决策**: ADR-0001（整体技术栈）
+> **决策者**: 架构评审
+
+---
+
+## 上下文
+
+平台需要 AI 能力支撑四大核心模块：配方指标预测、NL 搜索、配方生成/推演、颜色推荐。考虑两种实现路径：
+
+- **方案 A**：自建 Python AI 微服务（FastAPI + 自训练模型）
+- **方案 B**：通过外部 AI API 调用实现（LLM API + Prompt Engineering）
+
+---
+
+## 决策
+
+**选择方案 B**：所有 AI 能力通过调用外部 LLM API 实现。
+
+---
+
+## 理由
+
+### 方案 B 优势
+
+| 维度 | 方案 A（自建） | 方案 B（外部 API） |
+| :--- | :--- | :--- |
+| **开发成本** | 需要 ML 工程师训练模型；数据清洗和标注投入大 | Prompt Engineering 即可；无需 ML 专业背景 |
+| **运维成本** | GPU 服务器（至少 1 台 A100）+ 模型部署和监控 | 零运维，按调用量付费 |
+| **迭代速度** | 重新训练需数天到数周 | 调整 Prompt 即时生效 |
+| **模型能力** | 受限于自有数据量和训练资源 | 持续获得最新大模型能力升级 |
+| **部署复杂度** | 增加 1 个微服务 + GPU 依赖 + gRPC | 仅 BFF 层 HTTP 调用 |
+| **冷启动** | 模型加载需数分钟 | 即用即走 |
+
+### 化妆品配方场景的特殊适配
+
+配方研发的 AI 需求特点：
+
+1. **推理为主，非训练密集型**：预测肤感/稳定性本质是"基于成分知识的推理"，LLM 的常识推理 + few-shot learning 可以胜任
+2. **数据量小**：企业内部配方数据通常是千到万级，不足以训练专用深度学习模型
+3. **领域知识密集**：LLM 已具备化学/化妆品基础知识，通过 Prompt 注入成分数据库即可精准推理
+4. **需求多变**：配方推演的约束条件千变万化，API 调用的灵活性远胜固定模型
+
+---
+
+## BFF 层 AI 调用架构
+
+```
+┌─────────────────────────────────────────────────────────┐
+│  Fastify BFF                                            │
+│                                                         │
+│  ┌────────────────────────────────────────────────────┐ │
+│  │  AI Service Module                                 │ │
+│  │                                                    │ │
+│  │  ┌──────────┐  ┌──────────┐  ┌───────────────┐   │ │
+│  │  │ Cache    │  │ Rate     │  │ Fallback      │   │ │
+│  │  │ Layer    │  │ Limiter  │  │ Handler       │   │ │
+│  │  └──────────┘  └──────────┘  └───────────────┘   │ │
+│  │                                                    │ │
+│  │  ┌────────────────────────────────────────────┐   │ │
+│  │  │  Prompt Templates (per capability)         │   │ │
+│  │  │  - predictFormulaMetrics                   │   │ │
+│  │  │  - parseNLQuery                             │   │ │
+│  │  │  - generateFormulaOptions                   │   │ │
+│  │  │  - recommendColorants                       │   │ │
+│  │  │  - extractFormulaStructure                  │   │ │
+│  │  └────────────────────────────────────────────┘   │ │
+│  │                                                    │ │
+│  │  ┌────────────────────────────────────────────┐   │ │
+│  │  │  AI API Client                              │   │ │
+│  │  │  - streaming (SSE proxy)                    │   │ │
+│  │  │  - retry with backoff                       │   │ │
+│  │  │  - timeout (30s default, 120s streaming)    │   │ │
+│  │  └────────────────────────────────────────────┘   │ │
+│  └────────────────────────────────────────────────────┘ │
+└─────────────────────────────────────────────────────────┘
+```
+
+### 核心模块
+
+| 模块 | 职责 |
+| :--- | :--- |
+| **Prompt Templates** | 每种 AI 能力对应独立的 Prompt 模板，包含 system prompt + 结构化输出指令 |
+| **Cache Layer** | LRU 缓存相同/相似查询的 AI 响应（基于 query hash），TTL 5min~1h |
+| **Rate Limiter** | 令牌桶 + 并发控制，保护 API 配额 |
+| **Fallback Handler** | API 不可用时返回缓存结果或友好降级提示 |
+| **AI API Client** | 统一的 HTTP 客户端，处理 streaming、重试、超时 |
+
+---
+
+## 各 AI 能力的 API 调用策略
+
+### 1. 配方指标预测
+
+```
+POST /api/ai/predict
+
+BFF 流程：
+1. 从 PostgreSQL 检索该成分组合的历史相似配方（pgvector 向量搜索）
+2. 构建 Prompt：
+   - System: 化妆品配方专家角色 + 指标定义
+   - Context: 历史相似配方的指标数据（few-shot examples）
+   - User: 当前配方的成分列表和比例
+3. 调用 AI API（非 streaming，预期 < 5s）
+4. 缓存结果（key: 成分+比例 hash）
+```
+
+### 2. NL 搜索解析
+
+```
+POST /api/formulas/search?q=不含酒精的高保湿精华
+
+BFF 流程：
+1. 调用 AI API 将 NL 转为结构化查询：
+   {
+     "filters": { "exclude_ingredients": ["alcohol", "ethanol"], "category": "精华液" },
+     "vector_query": "高保湿、补水、滋润配方",
+     "sort": "保湿指数 DESC"
+   }
+2. filters → PostgreSQL WHERE 子句
+3. vector_query → pgvector embedding → HNSW 相似搜索
+4. 合并结果返回
+```
+
+### 3. 配方推演
+
+```
+POST /api/ai/explore
+
+BFF 流程：
+1. 用户设置约束（目标成本、保留成分、禁止成分、目标指标）
+2. 检索当前配方 + 相关历史配方作为 context
+3. 构建 Prompt → 调用 AI API（streaming 模式）
+4. BFF 转发 SSE 流到前端，逐步展示生成的候选方案
+5. 每个候选方案附带置信度和变更说明
+```
+
+### 4. 颜色推荐
+
+```
+POST /api/color/recommend
+
+BFF 流程：
+1. 前端传入目标颜色 Lab 值
+2. 在 PostgreSQL 中检索 ΔE < 3.0 的历史颜色配方（pgvector）
+3. 将目标色 + 最近匹配配方作为 context，调用 AI API 推荐色浆组合
+4. 返回推荐色浆 + 预测比例 + 预测 ΔE
+```
+
+### 5. 配方结构化提取
+
+```
+POST /api/formulas/extract
+
+BFF 流程：
+1. 用户粘贴配方文本（或上传 Excel）
+2. 调用 AI API with function calling / structured output
+3. 提取：成分 INCI 名、中文名、比例、所属相、工艺备注
+4. 与成分目录（ingredients 表）模糊匹配校验
+5. 返回结构化 JSON，前端展示确认
+```
+
+---
+
+## AI API 选型
+
+### 主选
+
+| API | 优势 | 适用场景 |
+| :--- | :--- | :--- |
+| **OpenAI GPT-4o / GPT-4.1** | 推理能力最强；structured output 原生；streaming 稳定 | 配方推演、NL 解析、结构化提取 |
+| **Anthropic Claude 4** | 长上下文（200K）；化工领域知识强 | 配方生成（需大量 context）、复杂推理 |
+| **DeepSeek V3** | 性价比高；中文能力强 | 指标预测（高频调用）、批量处理 |
+
+### 推荐策略
+
+| 场景 | 模型 | 理由 |
+| :--- | :--- | :--- |
+| 配方推演（流式，低频，高质量） | GPT-4o | streaming 体验最好，推理质量最高 |
+| 指标预测（非流式，高频，需快） | DeepSeek V3 | 便宜、快、中文好 |
+| NL 搜索解析（高频，需结构化输出） | GPT-4o-mini / DeepSeek V3 | 便宜 + function calling |
+| 配方结构化提取（批量，需准确） | GPT-4o | structured output 精度最高 |
+| 颜色推荐（低频，需领域知识） | GPT-4o | 需要强推理 |
+
+### API 配置抽象
+
+```typescript
+// BFF 层多 provider 抽象
+interface AIProvider {
+  chat(messages: Message[], options: ChatOptions): Promise<ChatResponse>;
+  chatStream(messages: Message[], options: ChatOptions): AsyncIterable<ChatChunk>;
+}
+
+const providers: Record<string, AIProvider> = {
+  openai: new OpenAIProvider({ apiKey: env.OPENAI_API_KEY }),
+  deepseek: new DeepSeekProvider({ apiKey: env.DEEPSEEK_API_KEY }),
+  // 预留其他 provider
+};
+```
+
+所有 AI 调用通过统一的 `AIService` 模块，根据场景路由到对应 provider，上层业务不感知具体模型。
+
+---
+
+## 降级策略
+
+| 场景 | 降级行为 |
+| :--- | :--- |
+| AI API 超时（5s） | 指标预测：返回"无法预测，请手动评估"；NL 搜索：降级为基础关键词搜索 |
+| AI API 不可用（连续失败） | 全部能力降级为提示模式，告知用户"AI 服务暂不可用" |
+| 配额耗尽 | 限流 + 排队；高频能力（指标预测）优先缓存命中 |
+
+---
+
+## 缓存策略
+
+| 缓存内容 | TTL | Key |
+| :--- | :--- | :--- |
+| 指标预测结果 | 1 小时 | 成分列表 + 比例的 hash |
+| NL 搜索解析 | 5 分钟 | 原始查询文本 hash |
+| 颜色推荐 | 30 分钟 | 目标 Lab 值 + 允许 ΔE |
+| 成分结构化提取 | 永久（除非成分库更新） | 原料名称 hash |
+
+使用 Redis 存储。BFF 启动时无需依赖 Redis，降级为内存 LRU 缓存。
+
+---
+
+## 安全考虑
+
+- **API Key 管理**：环境变量注入（非代码硬编码），支持 vault/secret manager
+- **数据脱敏**：发送给 AI API 的 prompt 不包含公司敏感配方全量数据，仅发送 necesary context
+- **Prompt 注入防护**：用户输入（NL 搜索词）经过清洗后嵌入 prompt 模板
+- **审计日志**：所有 AI 调用记录（请求摘要、token 消耗、耗时）存储到 PostgreSQL audit 表
+
+---
+
+## 后果
+
+### 正向
+
+- 零 ML 基础设施投入，开发周期缩短 50%+
+- 部署仅需 4 个服务，运维复杂度极低
+- 模型能力随 API 升级自动提升，无迁移成本
+- 成本可控：按调用量付费，低用量时几乎为零
+- BFF 层可独立开发和测试（mock AI 响应）
+
+### 风险和缓解
+
+| 风险 | 缓解 |
+| :--- | :--- |
+| API 延迟影响用户体验 | 缓存 + streaming + 降级；预测 API 设置 5s 超时 |
+| 外部 API 数据隐私 | Prompt 中不发送完整配方；仅发送必要上下文 |
+| 供应商锁定 | 多 provider 抽象层；标准化 prompt 模板可跨模型复用 |
+| LLM 幻觉（生成不合理配方） | 结果后处理校验（比例总和 100%、成分存在性检查） |
+
+---
+
+## 参考
+
+- ADR-0001: 整体技术栈选型
+- PRD: `.scratch/formula-rd-platform/PRD.md`
+- OpenAI Structured Outputs: https://platform.openai.com/docs/guides/structured-outputs
+- pgvector: https://github.com/pgvector/pgvector