企业级多智能体 GraphRAG 知识库助手
基于 LangGraph Supervisor-Workers 架构构建的全栈检索增强生成平台,具备 GraphRAG 语义网络能力。支持多智能体协作、混合(向量 + 图)检索、人工介入(HITL)中断/恢复,以及实时流式回答。
Ragent AI 是一套可用于生产环境的多智能体 GraphRAG 平台。它将私有文档检索、网络搜索、结构化数据分析和知识图谱遍历组合起来,由专用 AI Worker 回答用户问题。平台采用 LangGraph Supervisor-Workers 架构,输出可溯源、可审计的答案。
主要能力包括:
- 多智能体协作:Supervisor 负责意图识别与调度;支持 RAG、局部图搜索、全局图搜索、网络搜索、数据分析和直接回答等专用智能体,并可并行分发任务。
- GraphRAG 语义网络:文档入库时由 LLM 抽取实体与关系,使用 Neo4j 存储图谱,借助 Leiden 社区聚类与分层摘要形成全局语义视图。
- 图向量混合检索:稠密向量(Qwen text-embedding-v1,1536 维)、BM25 稀疏向量和图三元组通过三通道 RRF 融合;支持局部搜索(向量检索后图扩展)与全局搜索(社区摘要匹配)。
- 三级分层切块:L1/L2/L3 分别为 1200/600/300 字符,使用滑动窗口和自动合并检索器;L2 用于图谱抽取,L3 用于向量索引。
- 人工介入(HITL):低置信度 RAG 检索和高风险 SQL 均可通过 LangGraph
interrupt()暂停,待人工确认后恢复执行。 - 状态持久化:基于 MySQL 的 LangGraph checkpointer 跨会话保存状态,支持长时间中断/恢复。
- 实时流式输出:基于 SSE 的 token 流和 Trace Canvas,实时展示智能体状态及 RAG/图检索步骤。
- 双主题界面:Gemini 风格的明暗主题、实时多智能体追踪面板和 HITL 审批弹窗。
┌──────────────────────────────────────────────────────────────────────┐
│ Frontend (Vue 3 SPA) │
│ Chat UI · Sessions · Knowledge Upload · Trace Canvas · HITL Modal │
└──────────────────────────────────┬───────────────────────────────────┘
│ SSE / HTTP
┌──────────────────────────────────▼───────────────────────────────────┐
│ FastAPI Application Layer │
│ api/routes.py: REST + SSE · schemas.py: Pydantic Models │
└──────────────────────────────────┬───────────────────────────────────┘
│
┌──────────────────────────────────▼───────────────────────────────────┐
│ LangGraph Supervisor-Workers Orchestrator (v8) │
│ Supervisor → [RAG | Local Graph | Global Graph] │
│ → [Web Search | Data Analyst | Direct Answer → END] │
│ Workers → Synthesize → Critique → valid: END | retry < 2: Replan │
└──────────────────────────────────┬───────────────────────────────────┘
│
┌──────────────────────────────────▼───────────────────────────────────┐
│ RAG Pipeline (LangGraph) │
│ retrieve → grade → rewrite → retrieve_expanded → grade_v2 │
│ force_interrupt on second failure │
└──────────────────────────────────┬───────────────────────────────────┘
│
┌──────────────────────────────────▼───────────────────────────────────┐
│ Retrieval Engine │
│ Hybrid Search · Reranking · Auto-Merge · Local/Global Graph · RRF │
└──────────────────────────────────┬───────────────────────────────────┘
│
┬────────────────┬────────────────┬────────────────┬
│ │ │ │
▼ ▼ ▼ ▼
┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ Milvus │ │ MySQL │ │ Redis │ │ Neo4j │
│ Vector DB │ │ State Store │ │ Cache/HITL │ │ Graph DB │
└─────────────┘ └─────────────┘ └─────────────┘ └─────────────┘
用户问题先由 Supervisor 判断意图:复杂问题会先交给 Planner 生成执行计划;随后可路由至一个或多个检索/分析 Worker。结果由 Synthesize 汇总,Critique 使用已检索上下文交叉核查草稿答案。核查失败时,Replan 将缺失信息作为补充查询重新交由 Supervisor 执行,最多重试两次。无需检索的直接回答会跳过核查。
flowchart TB
Q[用户问题] --> S[Supervisor:意图路由]
S --> P[Planner v8:复杂查询拆解]
S --> R[RAG Specialist:文档检索]
S --> G[局部 / 全局图搜索]
S --> W[网络搜索器:Tavily]
S --> D[数据分析师:Text-to-SQL]
S --> A[直接回答:跳过核查]
P --> M[Synthesize:合并答案]
R --> M
G --> M
W --> M[Synthesize:合并答案]
D --> M
A --> ANS[答案]
M --> C[Critique v8:事实核查]
C -->|有效| ANS
C -->|无效,重试少于 2 次| RP[Replan:补充检索]
RP --> S
文档上传
├─ L1/L2/L3 三级分层切块
├─ L3 → Milvus 向量索引
├─ L1/L2 → MySQL 父块存储
└─ L2 文本 → LLM 实体/关系抽取 → Neo4j
├─ MERGE 实体节点(名称、类型、描述)
├─ MERGE RELATES_TO 边(谓词、权重)
└─ 将来源 L3 块 ID 绑定到关系边
Neo4j 全量图谱
├─ 拉取 Entity 与 RELATES_TO,构建 NetworkX DiGraph
├─ Leiden(Louvain)社区发现
├─ 将 community_id 写回 Neo4j 实体
├─ 按社区收集实体与关系
├─ LLM 生成 200–400 词的社区摘要
└─ 摘要向量化并写入 Milvus + MySQL
| 能力 | 说明 |
|---|---|
| Supervisor 路由 | 基于 LLM 的意图分析,可单路或通过 LangGraph Send 并行派发。 |
| Planner(v8) | 将多跳复杂问题拆成可由不同智能体处理的分步计划。 |
| RAG Specialist | 混合检索、重排、自动合并、相关性评分、改写与扩展检索的完整 RAG 流程。 |
| 局部图搜索 | 向量搜索 → Neo4j 实体定位 → 一跳邻居扩展,适合多跳推理。 |
| 全局图搜索 | 在 Milvus 中匹配社区摘要,适合全景与概览类问题。 |
| Web Searcher | 集成 Tavily 实时搜索;API 失败时自动回退至 RAG。 |
| Data Analyst | 探测 schema、生成只读 SQL、执行并呈现数据洞察。 |
| Direct Answer | 无检索开销地处理问候、闲聊和通用知识问题。 |
| Critique / Replan | 将草稿与检索上下文交叉核验;发现幻觉时补充查询并重新路由。 |
| 能力 | 说明 |
|---|---|
| 实体关系抽取 | 入库时从 L2 块中以结构化形式提取主语、谓词、宾语三元组。 |
| 实体去重 | Neo4j MERGE 配合实体名唯一约束,避免跨文档重复节点。 |
| 来源溯源 | 每条图关系保存 source_chunks(来源 L3 块 ID),可完整追踪证据。 |
| Leiden 聚类 | 将相关实体划分为主题社区,并把社区 ID 回写至 Neo4j。 |
| 社区摘要 | LLM 为每个社区生成摘要,向量化后用于全局搜索。 |
| 三通道 RRF | RRF_Score = w1/(k+rank_dense) + w2/(k+rank_sparse) + w3/(k+rank_graph)。 |
| 能力 | 说明 |
|---|---|
| Step-Back Prompting | 对细节问题生成更高层问题,以扩大检索范围。 |
| HyDE | 对模糊或概念性问题生成假设文档,用于语义检索。 |
| 复杂查询扩展 | 组合两种策略处理多步骤问题,并进行去重。 |
| 相关性评分 | LLM 评估召回文档;不相关时触发改写,连续两次失败时触发 HITL。 |
| 低置信度防护 | RAG 评分两次失败后暂停图执行,人工可修改问题或补充上下文。 |
| SQL 安全审查 | Data Analyst 生成非 SELECT SQL 时,须经人工批准或拒绝才会执行。 |
| 会话锁 | Redis 分布式锁避免 HITL 待处理期间的并发消息(HTTP 423)。 |
- 应用层:SSE 流式输出、Trace Canvas、MySQL 会话持久化与 Redis 缓存、50 轮后自动压缩历史、可审计的 RAG trace、生成中止、双主题及死循环检测。
- 知识治理(v4):跨 MySQL/Milvus/Neo4j 的级联软删除,文档版本与哈希索引,两阶段实体消歧,以及支持
valid_from/valid_to的时态 GraphRAG。 - 评测与 CI/CD(v4):覆盖 7 种查询类型的 80 条 Golden QA 数据集;支持
retrieval、pipeline、e2e、graph、graph_compare评测模式、RRF 网格搜索、A/B 报告和 GitHub Actions 流水线。 - 可观测性与高可用(v5):OpenTelemetry 链路、Prometheus 指标、structlog JSON 日志、LLM/Tavily 熔断、Neo4j 超时降级、指数退避重试和 Jaeger/Prometheus/Grafana 监控栈。
- 成本优化(v6):Milvus + MySQL 语义缓存、动态模型路由、Redis Singleflight 防击穿、文档删除驱动的缓存失效与并发基准测试。
- 多模态(v7):PDF 版面分析、图片/表格抽取与 MinIO 存储、Qwen-VL 描述、视觉检索第四 RRF 通道和多模态专用智能体。
- MCP 集成(v9):支持 SSE/stdio MCP Server、动态
StructuredTool注册、工具语义召回、多数据源分析与 ECharts 图表生成。 - 本体约束(v10):11 类实体、12 类关系、70+ 三元组规则;受限提示词、Pydantic 校验及按类型实体消歧。
- 增量与流式图引擎(v11–v13):SHA-256 文档指纹、arq 异步入库、Redis Streams 三阶段管线、增量社区重聚类及脏标记摘要重生成。
- 多租户与 SaaS(v14–v15):JWT/RBAC、MySQL/Milvus/Neo4j 租户隔离、租户级限流、SLA 感知降级、Token 计量、审计日志与 Alembic 迁移。
- 工作流、推理、记忆、研究(v16–v21):DAG 工作流、6 类自适应检索、图推理路径发现与核验、用户记忆图谱、证据驱动的深度研究,以及动态假设/冲突检测循环。
| 层级 | 组件 |
|---|---|
| 后端 | FastAPI、Uvicorn、LangChain、LangGraph、Pydantic、SQLAlchemy |
| 前端 | Vue 3(CDN)、marked.js、highlight.js、Font Awesome |
| 向量库 | Milvus 2.5(HNSW + SPARSE_INVERTED_INDEX) |
| 图数据库 | Neo4j 5.26 Community Edition |
| 嵌入模型 | Qwen text-embedding-v1(1536 维)、BM25(自定义实现) |
| 大模型 | 通过 DashScope OpenAI 兼容 API 调用 Qwen-Plus / Qwen3.6-Plus |
| 数据与缓存 | MySQL 8.0、Redis 7.0 |
| 图算法 | NetworkX、python-louvain(Leiden/Louvain 社区发现) |
| 搜索与评测 | Tavily、Gaode/Amap、Ragas、matplotlib、pytest |
| 可观测性 | OpenTelemetry、Prometheus、Grafana、Jaeger、structlog |
| 基础设施 | Docker Compose、GitHub Actions CI、Dockerfile、arq 异步任务队列 |
Ragent-AI/
├── backend/
│ ├── api/ # FastAPI 应用工厂与 REST/SSE 路由
│ ├── auth/ # 多租户 RBAC、JWT、认证接口
│ ├── agent/ # 编排器、智能体工具、网络搜索、数据分析、MCP
│ ├── rag/ # RAG 工作流、混合检索、图检索、视觉检索
│ ├── documents/ # 文档加载、三级切块、图谱抽取、指纹
│ ├── ontology/ # 本体约束层
│ ├── pipeline/ # 异步入库与 Redis Streams 管线
│ ├── embedding/ # 稠密/稀疏嵌入服务
│ ├── milvus/ # 向量库客户端与批量写入
│ ├── storage/ # MySQL、Redis、检查点、Neo4j 客户端及治理
│ ├── graph/ # 社区聚类与实体消歧
│ ├── evaluation/ # 自动化 RAG 评测
│ ├── observability/ # 链路、指标与结构化日志
│ ├── ha/ # 熔断、重试和降级
│ ├── cache/ # 语义缓存与防击穿
│ ├── memory/ # 记忆图谱
│ └── research/ # 深度研究引擎
├── scripts/ # 聚类、实体消歧、评测、报告与基准脚本
├── frontend/ # Vue 3 聊天界面、SSE 逻辑和主题样式
├── tests/ # 单元/集成测试与 Golden 数据集
├── data/documents/ # 上传文档存储
├── docs/ # 功能规格、实现计划与界面截图
├── docker-compose.yml # 全栈 Docker 服务
├── pyproject.toml # Python 依赖和项目元数据
├── start.py # 应用启动脚本
├── start_worker.py # arq 异步入库 Worker 入口
└── .env.example # 环境变量模板
- Python 3.12+
- Docker 与 Docker Compose
- MySQL 8.0+
- Redis 7.0+
- uv(推荐)或 pip
git clone https://github.com/your-username/Ragent-AI.git
cd Ragent-AI
# 方案 A:uv(推荐)
uv sync
# 方案 B:pip
python -m venv .venv
source .venv/bin/activate # Windows:.venv\Scripts\activate
pip install -e .将 .env.example 复制为 .env,然后填入密钥:
# ===== LLM(DashScope / Qwen)=====
ARK_API_KEY=your_dashscope_api_key
MODEL=qwen-plus
BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
EMBEDDER=text-embedding-v1
GRADE_MODEL=qwen-plus
SUPERVISOR_MODEL=qwen-plus
MAX_TOKENS=8192
# ===== 数据库 =====
DATABASE_URL=mysql+pymysql://root:password@localhost:3306/agent_chat
REDIS_URL=redis://localhost:6379/0
# ===== Milvus =====
MILVUS_HOST=127.0.0.1
MILVUS_PORT=19530
MILVUS_VECTOR_DIM=1536
MILVUS_SEARCH_TOP_K=20
# ===== Neo4j(GraphRAG)=====
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=password
# ===== 重排(可选;不可用时会优雅降级)=====
RERANK_MODEL=qwen3-rerank
RERANK_BINDING_HOST=https://dashscope.aliyuncs.com/compatible-mode/v1
RERANK_API_KEY=your_dashscope_api_key
RERANK_TOP_K=10
# ===== 网络搜索(可选)=====
TAVILY_API_KEY=your_tavily_api_key
# ===== 工具(可选)=====
AMAP_WEATHER_API=https://restapi.amap.com/v3/weather/weatherInfo
AMAP_API_KEY=your_amap_key# 启动完整服务栈(Milvus + Neo4j 等)
docker compose up -d
# 检查服务健康状态
docker compose ps| 服务 | 端口 | 说明 |
|---|---|---|
| Milvus | 19530 | 向量数据库(gRPC) |
| Milvus Health | 9091 | 健康检查接口 |
| MinIO | 9000/9001 | 对象存储 / 控制台 |
| Attu | 8080 | Milvus Web 管理界面 |
| Neo4j | 7474 | Neo4j Browser(HTTP) |
| Neo4j Bolt | 7687 | Neo4j 驱动协议 |
CREATE DATABASE IF NOT EXISTS agent_chat CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;首次启动时,SQLAlchemy 的 Base.metadata.create_all() 会自动创建 chat_sessions、chat_messages、parent_chunks、community_summaries、graph_checkpoints 和 graph_checkpoint_writes 等表。
# 方案 A:uv
uv run python start.py
# 方案 B:python
python start.py在浏览器中打开:
- 前端:http://127.0.0.1:8000/
- API 文档:http://127.0.0.1:8000/docs
- Neo4j Browser:http://localhost:7474
上传文档后,运行社区聚类脚本:
uv run python scripts/run_community_clustering.py该脚本会:
- 从 Neo4j 拉取完整知识图谱;
- 执行 Leiden 社区发现;
- 使用 LLM 生成社区摘要;
- 将摘要索引至 Milvus,以支持全局搜索。
| 变量 | 默认值 | 说明 |
|---|---|---|
ARK_API_KEY |
— | DashScope API 密钥(必填) |
MODEL |
qwen-plus |
Worker 智能体聊天模型 |
SUPERVISOR_MODEL |
qwen-plus |
Supervisor 路由模型;未设置时回退至 MODEL |
BASE_URL |
— | OpenAI 兼容 LLM API 地址 |
EMBEDDER |
text-embedding-v1 |
嵌入模型名称 |
GRADE_MODEL |
qwen-plus |
文档相关性评分模型 |
MAX_TOKENS |
8192 |
最大输出 token 数 |
DATABASE_URL |
mysql+pymysql://... |
MySQL 连接字符串 |
REDIS_URL |
redis://localhost:6379/0 |
Redis 连接字符串 |
MILVUS_HOST / MILVUS_PORT |
127.0.0.1 / 19530 |
Milvus 服务地址与端口 |
MILVUS_COLLECTION |
embeddings_collection |
Milvus collection 名称 |
MILVUS_VECTOR_DIM |
1536 |
嵌入向量维度 |
MILVUS_SEARCH_TOP_K |
20 |
初始召回候选数 |
NEO4J_URI |
bolt://localhost:7687 |
Neo4j Bolt URI |
NEO4J_USER / NEO4J_PASSWORD |
neo4j / password |
Neo4j 凭据 |
RERANK_MODEL / RERANK_TOP_K |
qwen3-rerank / 10 |
重排模型与输出候选数 |
TAVILY_API_KEY |
— | Tavily 网络搜索 API 密钥(可选) |
AMAP_API_KEY |
— | 高德天气 API 密钥(可选) |
AUTO_MERGE_ENABLED / AUTO_MERGE_THRESHOLD |
true / 2 |
是否启用及触发分层自动合并的最小同级块数 |
LEAF_RETRIEVE_LEVEL |
3 |
用于检索的叶子块层级 |
WEB_SEARCH_MAX_RESULTS |
5 |
网络搜索最大结果数 |
RRF_WEIGHT_DENSE / SPARSE / GRAPH |
0.4 / 0.3 / 0.3 |
三个 RRF 通道的权重(v4) |
ENTITY_SIM_THRESHOLD |
0.75 |
实体去重编辑距离阈值(v4) |
OTEL_ENABLED |
false |
是否启用 OpenTelemetry(v5) |
METRICS_ENABLED |
true |
是否暴露 Prometheus /metrics(v5) |
LOG_LEVEL / LOG_FORMAT |
INFO / json |
日志级别与格式(v5) |
NEO4J_QUERY_TIMEOUT |
1.5 |
Neo4j Cypher 查询超时秒数(v5) |
CACHE_SIMILARITY_THRESHOLD |
0.95 |
语义缓存余弦相似度阈值(v6) |
CACHE_TTL_SECONDS |
86400 |
缓存条目 TTL(秒,v6) |
MODEL_TURBO / MODEL_MAX |
qwen-turbo / qwen-max |
轻量与重推理任务模型(v6) |
| 层级 | 块大小 | 重叠长度 | 用途 |
|---|---|---|---|
| L1(根) | 1200 字符 | 240 字符 | 主题上下文单元、图谱抽取来源 |
| L2(中间) | 600 字符 | 120 字符 | 中间聚合单元、图谱抽取来源 |
| L3(叶) | 300 字符 | 60 字符 | 向量化检索单元 |
| 方法 | 接口 | 说明 |
|---|---|---|
POST |
/chat |
同步聊天,返回完整响应 |
POST |
/chat/stream |
携带智能体状态事件的 SSE 流式聊天 |
| 方法 | 接口 | 说明 |
|---|---|---|
POST |
/chat/hitl/resume |
人工干预后恢复暂停的图执行 |
/chat/stream 会推送以下 SSE 事件:
| 事件 | 说明 |
|---|---|
routing |
Supervisor 的路由决定(智能体与原因) |
agent_start / agent_done |
智能体节点开始/结束执行 |
rag_step |
RAG/图检索步骤:检索、评分、改写、图扩展等 |
graph_expand |
局部图搜索:实体定位与跳数扩展 |
community_match |
全局图搜索:社区摘要匹配 |
content / worker_content |
最终答案文本块 / Trace 面板中的 Worker 答案 |
trace / agent_trace |
完整 RAG 审计轨迹 / 智能体级追踪数据 |
hitl_interrupt |
触发 HITL 中断,图已暂停且已获得锁 |
error |
错误信息 |
| 方法 | 接口 | 说明 |
|---|---|---|
GET |
/sessions |
列出全部会话 |
GET |
/sessions/{id} |
获取会话消息 |
DELETE |
/sessions/{id} |
删除会话 |
GET |
/metrics |
Prometheus 指标:Token 用量、延迟、路由、熔断器等 |
POST |
/research/create |
创建并启动研究任务 |
GET |
/research/list |
列出用户的研究执行记录 |
GET |
/research/{id} |
获取研究状态和进度 |
GET |
/research/{id}/evidence |
列出已收集的证据 |
GET |
/research/{id}/report |
获取生成的研究报告 |
POST |
/research/{id}/cancel |
取消运行中的研究 |
GET |
/documents |
列出文档及其块数量 |
POST |
/documents/upload |
上传并向量化文档(SSE 进度);同时触发图谱抽取 |
DELETE |
/documents/{filename} |
删除文档及其向量 |
应用启动后,可访问 /docs(Swagger UI)查看完整交互式 API 文档。
| 版本 | 已完成能力 |
|---|---|
| v2.0 | 多智能体 Supervisor-Workers、并行派发、Text-to-SQL、HITL、MySQL 状态持久化、Redis 锁、Trace Canvas 与双主题界面。 |
| v3.0 | Neo4j GraphRAG、实体/关系抽取、局部与全局图搜索、Leiden 聚类、社区摘要、三通道 RRF。 |
| v4.0 | 知识治理:软删除、文档生命周期、实体消歧、时态图谱、Golden 评测集、Ragas、A/B 报告与 CI/CD。 |
| v5.0 | OpenTelemetry、Prometheus、结构化日志、熔断、超时降级、重试及完整可观测性服务栈。 |
| v6.0 | 语义缓存、动态模型路由、Singleflight、防陈旧缓存和并发成本/延迟基准。 |
| v7.0 | PDF 多模态解析、图像/表格抽取、Qwen-VL 描述、视觉检索和多模态智能体。 |
| v8.0 | Planner、Critique、Replan 和最多两次的自我纠正循环。 |
| v9.0 | MCP 连接管理、动态工具注册、工具语义检索、多源数据分析与 ECharts。 |
| v10.0 | 受领域本体约束的图谱抽取、类型校验与图拓扑评测。 |
| v11–v13 | 文档指纹、异步增量入库、负载感知自适应检索、Redis Streams 与增量图聚类。 |
| v14–v15 | 多租户 RBAC、数据隔离、SaaS 计量、限流、审计与迁移。 |
| v16–v21 | Agent 工作流、自适应 GraphRAG、图推理、记忆图谱、深度研究、假设驱动的证据图谱与冲突检测。 |
| 后续计划 | 侧栏会话名称编辑、刷新页面后的 HITL 状态恢复、Markdown/PDF 对话导出、D3 图谱可视化、实体级引用链接。 |
- 四个智能体的 Supervisor-Workers 架构与 LangGraph
Send并行派发。 - Data Analyst(Text-to-SQL)、网络搜索失败回退 RAG、
recursion_limit=15死循环防护。 - RAG 低置信度与 SQL 审批的 HITL 中断/恢复;MySQL checkpointer 状态持久化与 Redis 分布式锁。
- 前端 Trace Canvas、HITL 审批弹窗及 Gemini 风格明暗主题。
- Docker Compose 中部署 Neo4j,初始化图谱 schema、约束与索引。
- 文档入库时进行 LLM 实体/关系抽取,实体去重并绑定来源 chunk。
- 局部图搜索(向量 → 实体 → 一跳扩展)与全局图搜索(社区摘要匹配)。
- Leiden/Louvain 社区发现与分层摘要;社区摘要写入 Milvus 和 MySQL。
- Dense、Sparse、Graph 三通道 RRF 融合,以及图搜索 SSE 事件和前端追踪展示。
- MySQL → Milvus → Neo4j 跨库级联软删除、DocumentIndex 生命周期状态机、孤儿节点/边清理。
- 编辑距离召回、LLM 确认、Cypher 合并组成的两阶段实体消歧;实体与关系支持
valid_from/valid_to。 - 80 条 Golden QA、7 类查询、路由准确率评测、Ragas 评测和 retrieval/pipeline/e2e 三种模式。
- RRF 权重网格搜索、A/B 差异报告、HTML 雷达/柱状/路由矩阵/延迟报告、CI 阈值脚本。
- GitHub Actions CI/CD、Dockerfile、实体消歧 CLI。
- Agent 节点、Milvus、Neo4j 的 OpenTelemetry 手工 Span;Prometheus
/metrics六项自定义指标。 - structlog JSON 日志;LLM 与 Tavily 三次失败熔断及恢复。
- Neo4j 查询超时后降级至 Dense+Sparse;LLM 生成和数据库写入使用指数退避重试。
- Docker Compose 监控栈:Jaeger、Prometheus、Grafana 与预置数据源。
- Milvus ANN + MySQL 的语义缓存(余弦相似度阈值 0.95)。
- 轻量任务使用 qwen-turbo、重推理任务使用 qwen-plus/max 的动态模型路由。
- Redis Singleflight 防缓存击穿、文档软删除驱动缓存失效、TTL 过期与并发基准测试。
- PyMuPDF 版面分析,区分 PDF 文本、图像、表格;媒体上传 MinIO 并与 chunk 关联。
- Qwen-VL 生成图表/表格中文描述,视觉通道加入四通道 RRF。
- Neo4j ImageNode/TableNode、关键词触发的 Multimodal Specialist 与视觉检索回答。
- GraphState 新增
query_plan、critique_result、retry_count、draft_answer。 - Planner 拆解复杂问题;Critique 对草稿与检索上下文交叉验证;Replan 注入补充信息。
- Critique → Replan → Supervisor 最多两次自我纠正;新增相关 SSE 事件与 Trace Canvas 样式。
- 修复 multimodal_specialist 缺失的 synthesize 边;直接回答绕过无效事实核查。
- MCP 连接管理器支持 SSE/stdio、
tools/list、tools/call。 - MCP 工具自动转换为 LangChain
StructuredTool,Milvus top-k 工具召回避免上下文膨胀。 - Data Analyst 同时支持本地 MySQL 与外部 MCP 数据源;ECharts 自动检测图表类型并渲染。
- Planner 支持带依赖和
input_mapping的 DAG,tool_outputs支持跨步骤传值。
- 领域本体包含 11 类实体、12 类关系谓词、70+ 三元组合法规则。
- 显式白名单抽取提示词、Pydantic 规范化校验器和
_validate_extraction()后处理拦截。 - 支持 DashScope 字段映射、按类型消歧、图拓扑统计和
graph/graph_compare评测。
- 上传计算 SHA-256 指纹;不变文档跳过完整管线;DocumentIndex 记录哈希、块数与版本。
-
cleanup_by_filename()先剥离边上的块 ID,再清理空边与孤儿实体。 - 基于 Redis 的 arq 异步任务队列和不可用时的同步回退;完整 Docker 服务栈与资源限制。
- Query Profiler 使用关键词与嵌入相似度分类 L1/L2/L3 查询;YAML 意图权重矩阵取代静态权重。
- Redis 滑动窗口 QPS 监控 NORMAL/WARNING/CRITICAL 三态;高负载时跳过 Critique/Replan 或熔断 Neo4j/Tavily。
- 推送
query_profiler、system_stateSSE 事件,新增 Prometheus 负载指标、Locust 和 A/B 测试。
- 邻居共识局部修补与受影响社区的子图重聚类,避免每次重算全图。
-
CommunitySummary.is_dirty只重生成脏社区摘要,降低 Token 开销。 - Redis Streams 三阶段消息总线(
doc_ingest → graph_extract → vector_sync)与消费者组、死信处理。
- Tenant/User/Role SQLAlchemy 模型、JWT、注册和 OAuth2 密码授权接口。
- MySQL
tenant_id外键、Milvus 检索表达式预过滤、Neo4j 子图范围约束。 -
tenant_id与access_level贯穿上传、队列、入库、SupervisorState、RAG/Graph/Data Analyst。 - SQL 强制租户过滤、租户级会话和缓存隔离,以及四个权限升级红队测试。
-
token_usage_logs记录请求 token;按租户、时段汇总用量。 - 基于 Redis 滑动窗口的租户限流、429/
Retry-After中间件和分级 SLA 降级策略。 - 不可变审计日志记录 MCP、SQL、HITL 事件;
AuditContext自动划分风险等级。 - 租户范围的 Billing API、HITL Webhook、前端 JWT 认证、配置校验、SQL/上传安全和 Alembic 迁移。
基于 LangGraph · Milvus · Neo4j · FastAPI · Vue 3 构建
