464 lines
15 KiB
Markdown
464 lines
15 KiB
Markdown
# th - 企业级智能体应用平台
|
||
|
||
|
||
🚀 **完全开源的大模型应用平台**
|
||
- 集成智能问答、智能问数、知识库、工作流和智能体编排的大模型解决方案。
|
||
- 采用Vue.js + FastAPI + PostgreSQL+Langchain/LangGraph架构。
|
||
- 专为企业级应用设计，代码完全开源，支持私有化部署，可灵活扩展及二次开发。
|
||
- 用户级数据隔离：每个用户的数据仅对其可见，确保数据安全。
|
||
|
||
|
||
|
||
## 🏗️ 技术架构
|
||
|
||
|
||
|
||
### 后端技术栈
|
||
- **Web框架**: FastAPI + SQLAlchemy + Alembic
|
||
- **数据库**: PostgreSQL 16+ (开源关系型数据库)
|
||
- **向量数据库**: PostgreSQL + pgvector 扩展 (开源向量数据库)
|
||
- **智能体编排**: LangGraph 状态图 + 条件路由
|
||
- **工具调用**: Function Calling
|
||
- **模型连接协议**: MCP (Model Context Protocol)
|
||
- **RAG检索**: LangChain Vector Store
|
||
- **对话记忆**: ConversationBufferMemory
|
||
- **文档处理**: PyPDF2 + python-docx + markdown
|
||
- **数据分析**: Pandas + NumPy
|
||
|
||
### 前端技术栈
|
||
- **框架**: Vue 3 + TypeScript + Vite
|
||
- **UI组件**: Element Plus (开源UI库)
|
||
- **HTTP客户端**: Axios
|
||
- **工作流编辑器**: 自研可视化编辑器
|
||
- **工作流引擎**: 基于DAG的流程执行引擎
|
||
- **图形渲染**: Canvas API + SVG
|
||
- **拖拽交互**: Vue Draggable
|
||
- **节点连接**: 自定义连线算法
|
||
|
||
|
||
|
||
## 本地部署指南
|
||
|
||
|
||
### 环境要求
|
||
- Python 3.10+
|
||
- Node.js 18+
|
||
- PostgreSQL 16+
|
||
|
||
### 1. 安装数据库：PostgreSQL及pgvector插件（向量搜索)
|
||
|
||
#### 方式一：Docker安装（推荐）
|
||
使用 Docker + Docker Compose 部署 PostgreSQL 16 + pgvector 插件。
|
||
|
||
**1. 创建docker-compose.yml文件**
|
||
|
||
内容如下：
|
||
|
||
```yaml
|
||
version: '3.8'
|
||
|
||
services:
|
||
db:
|
||
image: pgvector/pgvector:pg16
|
||
container_name: pgvector-db
|
||
environment:
|
||
POSTGRES_USER: myuser
|
||
POSTGRES_PASSWORD: your_password
|
||
POSTGRES_DB: mydb
|
||
ports:
|
||
- "5432:5432"
|
||
volumes:
|
||
- pgdata:/var/lib/postgresql/data
|
||
restart: unless-stopped
|
||
|
||
volumes:
|
||
pgdata:
|
||
```
|
||
|
||
**说明：**
|
||
- 使用 `pgvector/pgvector:pg16` 镜像，内置 PostgreSQL 16 + pgvector 插件
|
||
- 数据保存在 Docker 卷 `pgdata` 中，重启不会丢失
|
||
- 监听宿主机端口 5432，可用本地工具如 pgAdmin, DBeaver, psql 连接
|
||
- 默认数据库名称：mydb
|
||
- 默认用户名：myuser
|
||
- 默认密码：your_password
|
||
|
||
**2. 启动服务**
|
||
|
||
在 `docker-compose.yml` 所在目录下运行：
|
||
```bash
|
||
docker-compose up -d
|
||
```
|
||
|
||
查看容器状态：
|
||
```bash
|
||
docker ps
|
||
```
|
||
|
||
输出应包含一个名为 `pgvector-db` 的容器，状态为 Up。
|
||
|
||
**3. 验证 pgvector 安装成功**
|
||
|
||
进入 PostgreSQL 容器：
|
||
```bash
|
||
docker exec -it pgvector-db psql -U myuser -d mydb
|
||
```
|
||
|
||
启用 pgvector 插件：
|
||
```sql
|
||
CREATE EXTENSION IF NOT EXISTS vector;
|
||
```
|
||
|
||
插入并查询向量数据（示例，可以在客户端，如dbeaver等）**
|
||
|
||
```sql
|
||
-- 创建表，包含一个向量字段（维度为3）
|
||
CREATE TABLE items (
|
||
id SERIAL PRIMARY KEY,
|
||
embedding vector(3)
|
||
);
|
||
|
||
-- 插入向量数据
|
||
INSERT INTO items (embedding) VALUES
|
||
('[1,1,1]'),
|
||
('[2,2,2]'),
|
||
('[1,0,0]');
|
||
|
||
-- 查询与 [1,1,1] 最接近的向量（基于欧几里得距离）
|
||
SELECT id, embedding
|
||
FROM items
|
||
ORDER BY embedding <-> '[1,1,1]'
|
||
LIMIT 3;
|
||
```
|
||
-- 上述没报错且有结果返回，即安装成功
|
||
|
||
### 2. 后端部署
|
||
```bash
|
||
# 克隆项目
|
||
git clone https://github.com/lkpAgent/chat-agent.git
|
||
cd chat-agent/backend
|
||
|
||
#创建python虚拟环境，推荐使用conda创建虚拟环境
|
||
conda create -n chat-agent python=3.10
|
||
conda activate chat-agent
|
||
|
||
# 安装依赖
|
||
pip install -r requirements.txt
|
||
|
||
# 配置环境变量,windows下直接复制.env.example文件为.env
|
||
cp .env.example .env
|
||
|
||
# 编辑.env文件，配置数据库连接和AI API密钥。相关配置信息见后面的配置说明
|
||
|
||
# 配置完数据库信息后，初始化数据库表及创建登录账号(用户名: test@example.com, 密码: 123456)
|
||
cd backend/tests
|
||
python init_db.py
|
||
|
||
# 启动后端服务，默认8000端口
|
||
python -m uvicorn th_agenter.main:app --reload --host 0.0.0.0 --port 8000
|
||
# 或者直接运行main.py
|
||
# cd backend/th_agenter
|
||
# python main.py
|
||
|
||
```
|
||
|
||
|
||
### 3. 前端部署
|
||
```bash
|
||
# 进入前端目录
|
||
cd ../frontend
|
||
|
||
# 安装依赖
|
||
npm install
|
||
|
||
# 配置环境变量
|
||
cp .env.example .env
|
||
# 编辑.env文件，配置后端API地址
|
||
VITE_API_BASE_URL = http://localhost:8000
|
||
|
||
# 开发环境，启动前端服务，默认端口3000
|
||
npm run dev
|
||
# 发布到生产环境，比如部署在{nginx_home}/html/yourdomain，则指定base路径编译
|
||
# npm run build -- --base=yourdomain
|
||
```
|
||
启动成功后，访问http://localhost:3000，会进入到登录页面，默认账号密码为test@example.com/123456
|
||
|
||
|
||
|
||
### 4. 访问应用
|
||
- 前端地址: http://localhost:3000
|
||
- 后端API: http://localhost:8000
|
||
- API文档: http://localhost:8000/docs
|
||
|
||
### 5. 后端配置说明
|
||
|
||
#### 后端环境变量配置 (backend/.env)
|
||
几个核心配置：系统数据库地址DATABASE_URL，向量数据库配置，CHAT大模型提供商：LLM_PROVIDER及相关配置，向量大模型提供商：EMBEDDING_PROVIDER
|
||
几个工具API_KEY:tavilySearch,心知天气API
|
||
|
||
```env
|
||
|
||
# 数据库配置
|
||
# ========================================
|
||
DATABASE_URL=postgresql://your_username:your_password@your_host:your_port/your_db
|
||
# 示例：
|
||
# DATABASE_URL=postgresql://myuser:mypassword@127.0.0.1:5432/mydb
|
||
|
||
# ========================================
|
||
# 向量数据库配置
|
||
# ========================================
|
||
VECTOR_DB_TYPE=pgvector
|
||
PGVECTOR_HOST=your_host
|
||
PGVECTOR_PORT=your_port
|
||
PGVECTOR_DATABASE=mydb
|
||
PGVECTOR_USER=myuser
|
||
PGVECTOR_PASSWORD=your_password
|
||
|
||
# 大模型配置 (支持OpenAI协议的第三方服务) 只需要配置一种chat大模型以及embedding大模型
|
||
# ========================================
|
||
# chat大模型配置
|
||
# ========================================
|
||
# 可选择的提供商: openai, deepseek, doubao, zhipu, moonshot
|
||
LLM_PROVIDER=doubao
|
||
|
||
# Embedding模型配置
|
||
# ========================================
|
||
# 可选择的提供商: openai, deepseek, doubao, zhipu, moonshot
|
||
EMBEDDING_PROVIDER=zhipu
|
||
|
||
# OpenAI配置
|
||
OPENAI_API_KEY=your-openai-api-key
|
||
OPENAI_MODEL=gpt-4
|
||
OPENAI_BASE_URL=https://api.openai.com/v1
|
||
OPENAI_EMBEDDING_MODEL=text-embedding-ada-002
|
||
|
||
|
||
# 智谱AI配置
|
||
ZHIPU_API_KEY=your-zhipu-api-key
|
||
ZHIPU_MODEL=glm-4
|
||
ZHIPU_EMBEDDING_MODEL=embedding-3
|
||
ZHIPU_BASE_URL=https://open.bigmodel.cn/api/paas/v4
|
||
|
||
# DeepSeek配置
|
||
DEEPSEEK_API_KEY=your-deepseek-api-key
|
||
DEEPSEEK_BASE_URL=https://api.deepseek.com/v1
|
||
DEEPSEEK_MODEL=deepseek-chat
|
||
DEEPSEEK_EMBEDDING_MODEL=deepseek-embedding
|
||
|
||
# 豆包配置
|
||
DOUBAO_API_KEY=your-doubao-api-key
|
||
DOUBAO_BASE_URL=https://ark.cn-beijing.volces.com/api/v3
|
||
DOUBAO_MODEL=doubao-1-5-pro-32k-250115
|
||
DOUBAO_EMBEDDING_MODEL=doubao-embedding
|
||
|
||
# Moonshot配置
|
||
MOONSHOT_API_KEY=your-moonshot-api-key
|
||
MOONSHOT_BASE_URL=https://api.moonshot.cn/v1
|
||
MOONSHOT_MODEL=moonshot-v1-8k
|
||
MOONSHOT_EMBEDDING_MODEL=moonshot-embedding
|
||
|
||
# 工具API配置
|
||
## tavilySearch api
|
||
TAVILY_API_KEY=your-tavily-api-key
|
||
## 心知天气api
|
||
WEATHER_API_KEY=your_xinzhi_api_key
|
||
```
|
||
|
||
|
||
## 📖 API文档
|
||
|
||
### 主要API端点
|
||
|
||
#### 认证相关
|
||
- `POST /auth/login` - 用户登录
|
||
- `POST /auth/register` - 用户注册
|
||
- `POST /auth/refresh` - 刷新Token
|
||
|
||
#### 对话管理
|
||
- `GET /chat/conversations` - 获取对话列表
|
||
- `POST /chat/conversations` - 创建新对话
|
||
- `POST /chat/conversations/{id}/chat` - 发送消息
|
||
|
||
#### 知识库管理
|
||
- `POST /knowledge/upload` - 上传文档
|
||
- `GET /knowledge/documents` - 获取文档列表
|
||
- `DELETE /knowledge/documents/{id}` - 删除文档
|
||
|
||
#### 智能查询
|
||
- `POST /smart-query/query` - 智能数据查询
|
||
- `POST /smart-query/upload` - 上传Excel文件
|
||
- `GET /smart-query/files` - 获取文件列表
|
||
|
||
### 完整API文档
|
||
启动后端服务后访问: http://localhost:8000/docs
|
||
|
||
## 🔧 开发指南
|
||
|
||
### 项目结构
|
||
```
|
||
open-agent/
|
||
├── backend/ # 后端代码
|
||
│ ├── th_agenter/ # 主应用包
|
||
│ │ ├── api/ # API路由
|
||
│ │ ├── core/ # 核心配置
|
||
│ │ ├── db/ # 数据库相关
|
||
│ │ ├── models/ # 数据库模型
|
||
│ │ ├── services/ # 业务逻辑
|
||
│ │ ├── utils/ # 工具函数
|
||
│ │ └── main.py # 应用入口
|
||
│ ├── tests/ # 测试文件
|
||
│ └── requirements.txt # Python依赖
|
||
├── frontend/ # 前端代码
|
||
│ ├── src/
|
||
│ │ ├── components/ # Vue组件
|
||
│ │ ├── views/ # 页面组件
|
||
│ │ │ ├── chat/ # 对话页面
|
||
│ │ │ ├── knowledge/ # 知识库页面
|
||
│ │ │ ├── workflow/ # 工作流页面
|
||
│ │ │ └── agent/ # 智能体页面
|
||
│ │ ├── stores/ # Pinia状态管理
|
||
│ │ ├── api/ # API调用
|
||
│ │ ├── types/ # TypeScript类型
|
||
│ │ └── router/ # 路由配置
|
||
│ └── package.json # Node.js依赖
|
||
├── data/ # 数据目录
|
||
│ ├── uploads/ # 上传文件
|
||
│ └── logs/ # 日志文件
|
||
└── docs/ # 文档目录
|
||
```
|
||
|
||
|
||
## ✨ 核心能力
|
||
|
||
|
||
|
||
### 🤖 智能问答
|
||
|
||
|
||
- **多模型支持**：集成DeepSeek、智谱AI、豆包等国内主流AI服务商
|
||
- **三种对话模式**：
|
||
- 自由对话：直接与AI模型交互
|
||
- RAG对话：基于知识库的检索增强生成
|
||
- 智能体对话：多智能体协作处理复杂任务
|
||
- **多轮对话**：支持连续对话，上下文理解和记忆
|
||
- **对话历史**：完整的会话记录和管理
|
||
|
||
## 🌟 技术特色
|
||
|
||
### 基于LangGraph的智能体对话系统
|
||
- **自主规划能力**：智能体能够根据任务需求自主调用工具并规划执行流程
|
||
- **动态工具调用**：根据上下文自动选择最合适的工具并执行
|
||
- **多步任务分解**：复杂任务自动拆解为多个子任务并顺序执行
|
||
|
||
**示例场景**：
|
||
当用户询问"推荐长沙和北京哪个适宜旅游"时：
|
||
1. 智能体首先调用搜索工具查找相关信息
|
||
2. 未找到合适结果时，自动规划调用天气查询工具
|
||
3. 智能拆分为两次执行：先查询长沙天气，再查询北京天气
|
||
4. 根据气温数据判断北京更适宜旅游
|
||
5. 自动调用搜索工具查找北京景点信息
|
||
6. 最终整合所有信息生成总结推荐
|
||
|
||
第一步：调用搜索引擎搜索哪个城市更适宜旅游
|
||
|
||
|
||
第二步：搜索的内容没有找到合适的答案，意识到错了后，改变策划，重新调用天气工具，从天气的角度判断哪个城市更适合当下旅游 。
|
||
并且自动进行任务拆解，对北京、长沙分别调用一次天气工具，获取到两个城市的天气情况。
|
||
|
||
|
||
|
||
第三步：根据天气判断北京更适合旅游，再调用搜索引擎工具，搜索北京的特色景点。最后将工具调用结果与问题进行总结，完成本次对话过程。
|
||
|
||
|
||
|
||
### 📊 智能问数
|
||
|
||
|
||
- **Excel分析**：上传Excel文件进行智能数据分析
|
||
- **自然语言查询**：用自然语言提问，自动生成Python代码
|
||
- **数据库查询**：连接PostgreSQL等数据库进行智能问答
|
||
- **多表关联**：支持复杂的多表/多文件联合查询
|
||
- **可视化思维链**：大模型思考过程可视化呈现
|
||
|
||
## 🌟 技术特色
|
||
|
||
### 双引擎智能问数系统
|
||
|
||
**基于Excel的智能问数**
|
||
- 使用LangChain代码解释器插件，将Excel数据读取到Pandas DataFrame
|
||
- 大模型将自然语言问题转换为Pandas语法并执行
|
||
- 支持多表格文件联合查询和复杂数据分析
|
||
|
||
**基于数据库的智能问数**
|
||
- 实现PostgreSQL MCP（Model Context Protocol）接口
|
||
- 大模型先提取表元数据，了解表结构和关系
|
||
- 根据用户问题自动生成优化SQL查询语句
|
||
- 支持多表关联查询和复杂数据检索
|
||
|
||
基于Excel报表的智能问数
|
||
|
||
基于数据库的智能问数
|
||
|
||
### 📚 知识库管理
|
||
|
||
|
||
|
||
- **文档处理**：支持PDF、Word、Markdown、TXT等格式
|
||
- **向量存储**：基于PostgreSQL + pgvector的向量数据库
|
||
- **智能检索**：向量相似度搜索和BM25算法关键词检索
|
||
- **文档管理**：上传、删除、分类和标签管理
|
||
- **RAG集成**：与对话系统无缝集成
|
||
|
||
## 🌟 技术特色
|
||
### 高级语义分割知识库处理
|
||
- **智能段落分割**：基于大模型的语义理解分割技术，而非传统的文本相似度判断
|
||
- **精准切分识别**：大模型直接识别最适合的切分位置并输出分割标记字符串
|
||
- **高效处理流程**：仅输出分割位置字符串，再由代码执行实际分割操作
|
||
- **性能优化**：避免了传统方法中大量的向量计算和相似度比较，提升处理速度
|
||
- **质量保证**：大模型的深层语义理解确保分割边界的准确性和合理性
|
||
### 双重召回检索机制
|
||
- **多模态检索**：结合向量相似度匹配（语义搜索）与BM25关键词检索（字面匹配）
|
||
- **混合排序策略**：采用加权融合算法，综合语义相关性和关键词匹配度进行结果排序
|
||
- **召回增强**：双重召回机制有效解决了单纯向量检索的"词汇不匹配"问题
|
||
- **精准度提升**：相比单一检索方式，显著提高相关文档的召回率和准确率
|
||
|
||
|
||
|
||
|
||
|
||
### 🔧 工作流编排
|
||
|
||
- **可视化设计**：拖拽式工作流设计器
|
||
- **节点类型**：支持AI对话、数据处理、条件判断等节点
|
||
- **流程控制**：条件分支、循环、并行执行
|
||
|
||
|
||
|
||
### 🤖 智能体编排
|
||
- **多智能体协作**：不同专业领域的AI智能体协同工作
|
||
- **角色定义**：自定义智能体的专业能力和知识领域
|
||
- **任务分配**：智能分解复杂任务到合适的智能体
|
||
- **结果整合**：汇总多个智能体的输出生成最终答案
|
||
### 在线体验地址，可自己注册账号使用
|
||
http://113.240.110.92:81/
|
||
|
||
#### 💼 商业使用
|
||
- ✅ 可用于商业项目
|
||
- ✅ 可修改源码
|
||
- ✅ 可私有化部署
|
||
- ✅ 可集成到现有系统
|
||
- ✅ 无需支付许可费用
|
||
|
||
## 📄 许可证
|
||
|
||
本项目采用 [MIT License](LICENSE) 许可证，这意味着：
|
||
- 可以自由使用、修改、分发
|
||
- 可以用于商业目的
|
||
- 只需保留原始许可证声明
|
||
- 作者不承担任何责任
|
||
|
||
## 🙏 致谢
|
||
|
||
|
||
|
||
**如果这个项目对你有帮助，请给它一个 ⭐️！** |