Skip to content
Initial512Public

About

No description, website, or topics provided.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Repository files navigation

Ragent AI

企业级多智能体 GraphRAG 知识库助手

中文 · English

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。

Python FastAPI Vue.js LangGraph Milvus Neo4j Docker License


Ragent AI 界面


目录


项目概览

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。

架构与流程

总体架构

┌──────────────────────────────────────────────────────────────────────┐
│ 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    │
           └─────────────┘  └─────────────┘  └─────────────┘  └─────────────┘

智能体路由流程(v8)

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
Loading

文档入库流程

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

GraphRAG 离线流程

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

核心能力

多智能体与检索

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。

GraphRAG 引擎

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)。

查询智能与 HITL

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)。

平台与治理能力

  • 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。

技术栈

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

项目结构

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

快速开始

前置条件

  • Python 3.12+
  • Docker 与 Docker Compose
  • MySQL 8.0+
  • Redis 7.0+
  • uv(推荐)或 pip

1. 克隆并安装依赖

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 .

2. 配置环境变量

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

3. 启动基础设施

# 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

4. 创建数据库

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。

5. 启动应用

# 方案 A:uv
uv run python start.py

# 方案 B:python
python start.py

在浏览器中打开:

6. 执行 GraphRAG 离线流程

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:

  1. 从 Neo4j 拉取完整知识图谱;
  2. 执行 Leiden 社区发现;
  3. 使用 LLM 生成社区摘要;
  4. 将摘要索引至 Milvus,以支持全局搜索。

配置说明

主要环境变量

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)

切块参数

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

API 参考

聊天

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

HITL(人工介入)

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

会话、指标、研究与文档

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。


版本路线图

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。

逐项交付清单

v2.0 — 多智能体与 HITL ✓

  • 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。

v3.0 — GraphRAG 语义网络 ✓

  • 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。

v4.0 — 知识治理与评测 ✓

  • 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。

v5.0 — 可观测性与高可用 ✓

  • 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。

v6.0 — 成本与延迟优化 ✓

  • 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。

v7.0 — 多模态升级 ✓

  • 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。

v8.0 — 自适应推理与自我纠正 ✓

  • 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。

v9.0 — MCP 集成与数据联邦 ✓

  • 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。

v10.0 — 本体控制的图谱抽取 ✓

  • 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。

v11.0 — 增量管线与 DevOps ✓

  • 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。

v12.0 — 自适应检索与负载降级 ✓

  • 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_state SSE 事件,新增 Prometheus 负载指标、Locust 和 A/B 测试。

v13.0 — 流式增量图引擎 ✓

  • 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。

v14.0 — 多租户 RBAC 与数据隔离 ✓

  • 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。

v15.0 — SaaS 计量、限流与审计 ✓

  • 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

About

No description, website, or topics provided.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages