# openAgent **Repository Path**: corffee/openAgent ## Basic Information - **Project Name**: openAgent - **Description**: No description available - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2025-10-13 - **Last Updated**: 2025-10-13 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # openAgent - 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 open_agent.main:app --reload --host 0.0.0.0 --port 8000 # 或者直接运行main.py # cd backend/open_agent # 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 ![登录界面](docs/images/login.png) ### 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 │ ├── open_agent/ # 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 ![智能体问答界面](docs/images/agent1.png) 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。 ![智能体问答界面](docs/images/agent2.png) 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。 ![智能体问答界面](docs/images/agent3.png) ### 📊 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 ![智能问数界面](docs/images/smart_data.png) 基于数据库的智能问数 ![智能问数界面](docs/images/smart_data_db.png) ### 📚 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 ![知识库管理界面](docs/images/knowledge_base.png) ![知识库管理界面](docs/images/split.png) ### 🔧 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 ![工作流编排界面](docs/images/workflow.png) ### 🤖 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 ⭐️！**