# sagittarius

**Repository Path**: MarsBighead/sagittarius

## Basic Information

- **Project Name**: sagittarius
- **Description**: Sagittarius
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-01-15
- **Last Updated**: 2026-01-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: AI, Agent, RAG

## README

# Sagittarius - AI Agent Prototype

一个基于LangGraph和AutoGen框架的AI Agent原型，支持PGvector数据库和SSE流式返回。

## 功能特性

- ✅ 支持PGvector数据库，用于RAG知识库调用
- ✅ 基于LangGraph框架实现Agent
- ✅ 基于AutoGen框架实现Agent
- ✅ 支持LLM多次循环调用
- ✅ SSE流式返回结果
- ✅ FastAPI HTTP接口
- ✅ 模块化架构设计
- ✅ 异步数据库操作
- ✅ 可配置的嵌入模型

## 项目结构

```
sagittarius/
├── src/sagittarius/
│   ├── __init__.py
│   ├── main.py              # 应用入口和生命周期管理
│   ├── config.py            # 配置管理
│   ├── client.py            # 客户端工具
│   ├── agenthub/            # Agent实现模块
│   │   ├── __init__.py
│   │   ├── base.py          # Agent基类
│   │   ├── langgraph_agent.py
│   │   └── autogen_agent.py
│   ├── api/                 # API层
│   │   ├── __init__.py
│   │   ├── chat.py          # 聊天接口路由
│   │   └── dependencies.py  # 依赖注入
│   ├── core/                # 核心模块
│   │   ├── common/          # 通用工具
│   │   │   ├── __init__.py
│   │   │   └── logger.py    # 日志配置
│   │   └── providers/       # 服务提供者
│   │       ├── __init__.py
│   │       ├── _types.py    # 类型定义
│   │       ├── database.py  # 数据库管理
│   │       └── embedding.py # 嵌入服务
│   ├── database/            # 数据访问层
│   │   ├── __init__.py
│   │   └── retriever.py     # 检索器
│   └── models/              # 数据模型
│       └── schemas/         # API Schema
│           ├── __init__.py
│           └── chat.py      # 聊天相关Schema
├── tests/
├── scripts/
├── pyproject.toml
├── .env.example
└── README.md
```

## 核心模块说明

### 1. 配置管理 (config.py)

- 基于Pydantic Settings的配置管理
- 支持环境变量和.env文件
- 统一管理数据库、LLM、嵌入模型等配置

### 2. Agent框架 (agenthub/)

- **BaseAgent**: 抽象基类，提供统一的接口和通用功能
- **LangGraphAgent**: 基于LangGraph框架的Agent实现
- **AutoGenAgent**: 基于AutoGen框架的Agent实现
- 支持RAG检索和流式响应

### 3. 核心服务 (core/providers/)

- **VectorDatabaseManager**: 向量数据库管理
- **EmbeddingProvider**: 嵌入向量服务
- 异步操作支持，高性能数据库连接

### 4. API层 (api/)

- FastAPI路由定义
- SSE流式响应支持
- 依赖注入管理
- 健康检查接口

### 5. 数据访问层 (database/)

- **RetrieverHandler**: 向量检索处理器
- 相似度搜索功能
- 支持多文档检索

## 快速开始

### 1. 环境准备

确保已安装:

- Python 3.10+
- PostgreSQL + PGvector扩展
- Ollama (本地LLM服务)

### 2. 安装依赖

```bash
# 使用uv包管理器
uv sync

# 或使用pip
pip install -e .
```

### 3. 配置环境

```bash
# 复制环境变量模板
cp .env.example .env

# 编辑.env文件，配置数据库和LLM
vim .env
```

环境变量配置示例:

```bash
# Database Configuration
DATABASE_URL=postgresql://user:password@localhost:5432/sagittarius

# Ollama Configuration
OLLAMA_BASE_URL=http://localhost:11434
OLLAMA_MODEL=qwen2:7b
EMBEDDING_MODEL=nomic-embed-text

# OpenAI Compatible API (for Ollama)
OPENAI_API_KEY=ollama
OPENAI_BASE_URL=http://localhost:11434/v1
```

### 4. 启动服务

```bash
# 开发模式启动
uv run python -m sagittarius.main

# 或使用uvicorn直接启动
uvicorn sagittarius.main:app --host 0.0.0.0 --port 8000 --reload
```

服务启动后访问: http://localhost:8000

## API调用示例

### 1. 健康检查

```bash
curl -X GET "http://localhost:8000/api/v1/health" \
     -H "Content-Type: application/json"
```

响应示例:

```json
{
  "status": "healthy",
  "database": true,
  "llm": true,
  "version": "0.1.0"
}
```

### 2. 流式聊天 (LangGraph Agent)

```bash
curl -X POST "http://localhost:8000/api/v1/chat" \
     -H "Content-Type: application/json" \
     -H "Accept: text/event-stream" \
     -d '{
       "query": "请介绍一下人工智能的发展历史",
       "agent_type": "langgraph",
       "context": {"temperature": 0.7}
     }'
```

### 3. 流式聊天 (AutoGen Agent)

```bash
curl -X POST "http://localhost:8000/api/v1/chat" \
     -H "Content-Type: application/json" \
     -H "Accept: text/event-stream" \
     -d '{
       "query": "帮我分析一下这个技术问题",
       "agent_type": "autogen",
       "context": {"max_tokens": 1000}
     }'
```

### 4. Python客户端调用示例

```python
import asyncio
import aiohttp
import json

async def chat_stream_example():
    async with aiohttp.ClientSession() as session:
        async with session.post(
            "http://localhost:8000/api/v1/chat",
            json={
                "query": "请解释机器学习的基本概念",
                "agent_type": "langgraph",
                "context": {"temperature": 0.7}
            },
            headers={"Accept": "text/event-stream"}
        ) as response:
            async for line in response.content:
                if line.startswith(b'data: '):
                    data = json.loads(line[6:].decode())
                    if 'content' in data:
                        print(data['content'], end='', flush=True)

# 运行示例
asyncio.run(chat_stream_example())
```

## 技术栈

- **语言**: Python 3.10+
- **包管理**: uv
- **Web框架**: FastAPI
- **Agent框架**: LangGraph, AutoGen
- **数据库**: PostgreSQL + PGvector
- **LLM服务**: Ollama (OpenAI兼容API)
- **嵌入模型**: nomic-embed-text
- **生成模型**: qwen2:7b
- **异步支持**: asyncio, asyncpg

## 开发指南

### 添加新的Agent类型

1. 在 `agenthub/` 目录下创建新的Agent类，继承 `BaseAgent`
2. 实现 `_generate_with_context` 方法
3. 在 `api/chat.py` 中添加Agent类型支持
4. 更新相关Schema定义

### 自定义配置

通过修改 `.env` 文件或环境变量来自定义配置:

- 数据库连接字符串
- LLM模型和参数
- 嵌入模型选择
- 日志级别和目录

### 扩展功能

项目采用模块化设计，便于扩展:

- 添加新的数据源支持
- 集成其他LLM提供商
- 实现自定义检索策略
- 添加监控和指标收集

## 贡献指南

欢迎提交Issue和Pull Request来改进项目。

## 许可证

MIT License