Go to file

karljiang118440 ef795738cf test		2025-12-16 11:44:59 +08:00
backend	first commit	2025-12-04 14:48:38 +08:00
frontend	first commit	2025-12-04 14:48:38 +08:00
README.md	test	2025-12-16 11:44:59 +08:00

README.md

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：

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：

docker-compose up -d

查看容器状态：

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：

docker exec -it pgvector-db psql -U myuser -d mydb

启用 pgvector 插件：

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）**

-- 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

# 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

# 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

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


# 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：

智能体首先调用搜索工具查找相关信息
未找到合适结果时，自动规划调用天气查询工具
智能拆分为两次执行：先查询长沙天气，再查询北京天气
根据气温数据判断北京更适宜旅游
自动调用搜索工具查找北京景点信息
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 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 ⭐️！

README.md Unescape Escape

th - 企业级智能体应用平台

🏗️ 技术架构

后端技术栈

前端技术栈

本地部署指南

环境要求

1. 安装数据库：PostgreSQL及pgvector插件（向量搜索)

方式一：Docker安装（推荐）

2. 后端部署

3. 前端部署

4. 访问应用

5. 后端配置说明

后端环境变量配置 (backend/.env)

📖 API文档

主要API端点

认证相关

对话管理

知识库管理

智能查询

完整API文档

🔧 开发指南

项目结构

✨ 核心能力

🤖 智能问答

🌟 技术特色

基于LangGraph的智能体对话系统

📊 智能问数

🌟 技术特色

双引擎智能问数系统

📚 知识库管理

🌟 技术特色

高级语义分割知识库处理

双重召回检索机制

🔧 工作流编排

🤖 智能体编排

在线体验地址，可自己注册账号使用

💼 商业使用

📄 许可证

🙏 致谢

README.md