基于 LangChain、LangGraph、Milvus 的智能知识库系统，集成 RAG、Memory、MCP、Output Parser、Prompt Template 等先进技术。

• 🔍 智能检索: 基于 Milvus 向量数据库的高效相似度搜索
• 🧠 记忆管理: 4种记忆类型，上下文感知对话
• 🔄 工作流编排: 使用 LangGraph 实现5节点处理流程
• 📡 MCP 协议: 标准化的知识库访问接口
• 📝 输出解析: 结构化输出，自动修复和验证
• 🎨 提示词模板: 丰富的模板库，支持自定义
• 🧪 完整测试: 51+ 单元测试，代码覆盖充分
• 📚 详细文档: 12个文档文件，6000+字说明

# 1. 克隆项目
git clone https://github.com/yourusername/smart-knowledge-assistant.git
cd smart-knowledge-assistant

# 2. 配置环境变量
cp .env.example .env
# 编辑 .env 文件，填入 DeepSeek API Key:
# OPENAI_API_KEY=sk-your-api-key-here

# 3. 启动所有服务
docker compose up -d etcd minio
sleep 10
docker compose up -d milvus
sleep 20
docker compose run -d --name smart-assistant smart-assistant tail -f /dev/null

# 4. 安装依赖（首次需要 5-10 分钟）
docker exec smart-assistant pip install --no-cache-dir pymilvus langchain langgraph sentence-transformers openai pydantic python-dotenv pydantic-settings langchain-openai langchain-community

# 5. 运行演示
docker exec smart-assistant python demo_run.py

# 1. 克隆项目并创建虚拟环境
git clone https://github.com/yourusername/smart-knowledge-assistant.git
cd smart-knowledge-assistant
python3 -m venv venv
source venv/bin/activate  # Linux/Mac
# 或 venv\Scripts\activate  # Windows

# 2. 安装依赖
pip install -r requirements.txt

# 3. 启动 Milvus（使用 Docker）
docker run -d \
  --name milvus-standalone \
  -p 19530:19530 \
  -v /tmp/milvus:/var/lib/milvus \
  milvusdb/milvus:v2.3.3

# 4. 配置环境变量
cp .env.example .env
# 编辑 .env 文件

# 5. 运行应用
python demo_run.py
# 或交互模式: python main.py

组件	最低版本	推荐版本
Python	3.9+	3.10+
Docker	20.10+	24.0+
Docker Compose	2.0+	2.20+
内存	4GB	8GB+
磁盘	10GB	20GB+

Linux/Mac:

./start_web.sh

Windows:

start_web.bat

或直接运行:

pip install streamlit
cd src/web
streamlit run app.py

访问地址: http://localhost:8502

• 💬 智能对话: 实时对话、置信度显示、来源追踪
• 📚 文档管理: 拖拽上传、批量处理、文档列表
• 📜 对话历史: 历史查看、导出为 JSON/Markdown
• ⚙️ 高级设置: Temperature、Top K、记忆类型配置
• 🎨 美观界面: 现代化设计、响应式布局

详细使用说明请查看 Web UI 使用指南

from src.components.rag_engine import RAGEngine
from src.utils.document_loader import DocumentLoader

# 初始化
loader = DocumentLoader()
rag = RAGEngine()

# 加载文档
docs = loader.load_directory("./data")
rag.add_documents(docs)

# 查询
result = rag.query("Python 有什么特点？")
print(result.answer)

from src.graph.workflow import KnowledgeAssistantGraph

graph = KnowledgeAssistantGraph()
result = graph.run("什么是机器学习？")
print(result["answer"])

from src.components.mcp_server import MCPServer
from src.models import MCPRequest

mcp = MCPServer()
request = MCPRequest(
    method="query",
    params={"question": "LangChain 是什么？"},
    request_id="001"
)
response = mcp.handle_request(request)
print(response.result)

• 📖 完整文档 - 详细使用说明
• 🏗️ 架构设计 - 系统架构详解
• 📋 API 参考 - 完整 API 文档
• 🌐 Web UI 指南 - Web 界面使用说明
• 🚀 快速开始 - 5分钟上手（已验证）
• 🐳 Docker 部署指南 - Docker 完整部署（已验证）
• ✅ 部署验证清单 - 部署成功验证步骤
• 🎉 部署成功总结 - 部署完成概览
• 🔧 开发指南 - 开发和扩展
• 📝 贡献指南 - 如何贡献代码

# 运行所有测试
pytest src/tests/ -v

# 运行特定测试
pytest src/tests/test_rag_engine.py -v

# 生成覆盖率报告
pytest src/tests/ --cov=src --cov-report=html

# 查看覆盖率报告
open htmlcov/index.html  # Mac
xdg-open htmlcov/index.html  # Linux
start htmlcov/index.html  # Windows

• Python 文件: 27 个
• 代码行数: 3,332 行
• 测试用例: 51+ 个
• 文档文件: 12 个 (6000+ 字)
• 示例代码: 3 个

smart-knowledge-assistant/
├── config/              # 配置文件
├── src/
│   ├── components/     # 核心组件
│   │   ├── rag_engine.py
│   │   ├── memory_manager.py
│   │   └── mcp_server.py
│   ├── graph/          # LangGraph 工作流
│   ├── utils/          # 工具类
│   ├── models/         # 数据模型
│   └── tests/          # 单元测试
├── examples/           # 使用示例
├── docs/               # 文档
└── main.py            # 主程序

技术	版本	用途
LangChain	0.3.7	核心框架
LangGraph	0.2.45	工作流编排
Milvus	Latest	向量数据库
sentence-transformers	Latest	文本嵌入
Pydantic	Latest	数据验证
pytest	Latest	单元测试

• 文档加载和智能分块
• 向量化嵌入生成
• 语义相似度搜索
• 上下文增强的答案生成
• 置信度评估

• ConversationBufferMemory (全量记忆)
• ConversationBufferWindowMemory (窗口记忆)
• ConversationTokenBufferMemory (Token限制)
• ConversationSummaryMemory (摘要记忆)
• 对话历史持久化

• 分析用户输入
• 检索相关上下文
• 生成答案
• 评估答案质量
• 更新对话记忆
• 条件路由和流式执行

• query - 查询知识库
• search - 搜索文档
• add_documents - 添加文档
• delete_document - 删除文档
• get_stats - 获取统计
• clear - 清空知识库

我们欢迎所有形式的贡献！请查看 贡献指南 了解详情。

• 🐛 报告 Bug
• 💡 提出新功能建议
• 📝 改进文档
• 🔧 提交代码修复
• 🧪 添加测试用例

本项目采用 MIT 许可证 开源。

核心功能

• ✅ 基于 LangChain 的 RAG 引擎实现
• ✅ Milvus 向量数据库集成
• ✅ 4 种记忆管理类型（Buffer/Window/Token/Summary）
• ✅ LangGraph 5节点工作流编排
• ✅ MCP 服务器（6个核心接口）
• ✅ 结构化输出解析器（自动修复和验证）
• ✅ 可配置提示词模板系统
• ✅ 文档加载器（支持多种格式）

工程化

• ✅ 51+ 单元测试覆盖
• ✅ 完整的中文文档体系（12个文档，6000+字）
• ✅ Docker Compose 部署方案
• ✅ 环境变量配置管理
• ✅ 类型注解和代码规范

示例和演示

• ✅ 3个完整示例程序
• ✅ 交互式命令行界面
• ✅ 演示对话脚本

---

v1.1 - 功能增强

• 多语言支持

  • 中英文混合查询优化
  • 多语言文档嵌入模型
  • 语言检测和自动切换

• ✅ Web UI 界面 (已完成)

  • ✅ Streamlit 基础界面
  • ✅ 实时对话展示
  • ✅ 文档上传和管理
  • ✅ 查询历史记录
  • ✅ 置信度显示
  • ✅ 来源追踪
  • ✅ 高级参数配置
  • ✅ 对话历史导出

• 批量文档处理

  • 文档队列处理系统
  • 进度监控和日志
  • 增量更新机制

v1.2 - 性能优化

• 检索优化

  • 混合检索（向量+关键词）
  • 查询重写和扩展
  • 结果排序算法优化
  • 缓存机制（查询缓存/嵌入缓存）

• 数据库扩展

  • Chroma 向量数据库支持
  • Weaviate 向量数据库支持
  • 多数据库同时使用
  • 数据迁移工具

---

v2.0 - 企业级特性

• RESTful API

  • FastAPI 服务器实现
  • API 文档（Swagger/OpenAPI）
  • 认证和授权（JWT）
  • API 限流和监控
  • 请求日志和审计

• 知识库管理

  • 知识库导出（JSON/CSV/Markdown）
  • 知识库导入和恢复
  • 知识库版本控制
  • 文档标签和分类
  • 文档去重和合并

• 高级记忆功能

  • 长期记忆存储（向量数据库）
  • 语义记忆和情景记忆
  • 记忆重要性评分
  • 记忆自动清理和归档

v2.1 - 智能增强

• 多模态支持

  • 图像文档 OCR 识别
  • 音频转文字（ASR）
  • 视频内容提取
  • 多模态嵌入模型

• 高级工作流

  • 子图和循环支持
  • 并行任务执行
  • 工作流可视化
  • 自定义节点扩展

• Agent 集成

  • 工具调用能力（函数调用）
  • 多 Agent 协作
  • 自我反思和修正
  • 计划和执行分解

---

v3.0 - 生态扩展

• 插件系统

  • 插件开发框架
  • 第三方插件市场
  • 插件沙箱隔离
  • 插件热加载

• 多模型支持

  • OpenAI GPT 系列
  • Anthropic Claude 系列
  • 本地模型（LLaMA、Qwen）
  • 模型路由和负载均衡

• 分布式部署

  • Kubernetes 部署支持
  • 微服务架构拆分
  • 服务网格集成
  • 横向扩展能力

v3.1 - 企业级功能

• 监控和运维

  • Prometheus 指标采集
  • Grafana 可视化看板
  • 告警和通知系统
  • 健康检查和自动恢复

• 安全和合规

  • 数据加密（传输/存储）
  • 访问控制（RBAC）
  • 审计日志
  • GDPR/合规支持

• 数据治理

  • 数据质量评估
  • 数据血缘追踪
  • 敏感数据识别
  • 数据脱敏

---

• 知识图谱集成 - 结合图数据库增强推理
• 实时学习 - 在线学习和知识更新
• 个性化推荐 - 基于用户行为的推荐系统
• 联邦学习 - 隐私保护的分布式学习
• 对话式文档 - 与文档进行深度对话
• 跨库检索 - 多知识库联合检索
• 智能摘要 - 文档自动摘要和关键点提取
• 问答对生成 - 自动生成 QA 数据集

---

版本	计划时间	主要特性
v1.0	✅ 已完成	核心 RAG、记忆、LangGraph、MCP
v1.1	Q2 2026	多语言、Web UI、批量处理
v1.2	Q3 2026	检索优化、多数据库支持
v2.0	Q4 2026	RESTful API、知识库管理、高级记忆
v2.1	Q1 2027	多模态、高级工作流、Agent 集成
v3.0	Q2 2027	插件系统、多模型、分布式
v3.1	Q3 2027	监控运维、安全合规、数据治理

---

欢迎社区贡献！如果您有兴趣参与特定功能的开发：

1. 查看现有 Issue
2. 在 Issue 中评论表明意向
3. 阅读 贡献指南
4. 提交 Pull Request

如果您有新的功能建议或想法，欢迎 创建新的 Feature Request。

感谢以下开源项目：

• LangChain
• LangGraph
• Milvus
• sentence-transformers