# LLM-Agent

**Repository Path**: aiPros_otter/llm-agent

## Basic Information

- **Project Name**: LLM-Agent
- **Description**: 基于Graph RAG架构的智能医疗问诊机器人，融合知识图谱、向量检索与多智能体技术。采用Neo4j图数据库和Chroma向量库的混合检索策略，通过四个专业智能体协作处理医疗咨询。具备智能实体识别功能，可自动提取疾病、症状、药物实体并生成Cypher查询。基于LangChain框架实现智能路由选择，支持多格式文档处理和多轮对话，为用户提供专业的医疗健康咨询服务。
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 4
- **Created**: 2026-03-04
- **Last Updated**: 2026-03-04

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 🏥 智能医疗问诊机器人 - Graph RAG 技术方案

[![Python](https://img.shields.io/badge/Python-3.8+-blue.svg)](https://www.python.org/downloads/)
[![LangChain](https://img.shields.io/badge/LangChain-0.1.14-green.svg)](https://python.langchain.com/)
[![Gradio](https://img.shields.io/badge/Gradio-3.48.0-orange.svg)](https://gradio.app/)
[![Neo4j](https://img.shields.io/badge/Neo4j-Graph%20Database-red.svg)](https://neo4j.com/)

> 基于 **Graph RAG** 架构的智能医疗问诊系统，融合了知识图谱、向量检索、大语言模型和多智能体技术，为用户提供专业、准确的医疗健康咨询服务。

## 🚀 核心技术亮点

### 1. 📊 混合检索架构（Graph RAG）
- **向量检索**：基于 Chroma/FAISS 的语义相似度检索
- **图数据库检索**：使用 Neo4j 进行结构化医疗知识查询 
- **Web 搜索补充**：实时获取最新医疗资讯
- **智能路由**：根据问题类型自动选择最佳检索策略

### 2. 🧠 多智能体协作系统
```python
# 四大智能体分工协作
agents = {
    'generic_func': '通用问答智能体',
    'retrival_func': '文档检索智能体', 
    'graph_func': '知识图谱查询智能体',
    'search_func': 'Web搜索智能体'
}
```

### 3. 🔍 智能实体识别与查询生成
- **命名实体识别（NER）**：自动提取疾病、症状、药物实体
- **模板匹配**：12种预定义医疗查询模板
- **Cypher 查询自动生成**：将自然语言转换为图数据库查询语句
- **相似度过滤**：基于语义相似度筛选最相关的查询模板

### 4. 📚 多格式文档处理
支持多种文档格式的自动解析和向量化：
```python
supported_formats = {
    '.pdf': 'PyMuPDFLoader',
    '.docx': 'UnstructuredWordDocumentLoader', 
    '.txt': 'TextLoader',
    '.csv': 'CSVLoader'
}
```

### 5. 🎯 上下文感知对话系统
- **对话历史总结**：智能压缩长对话上下文
- **多轮对话支持**：保持会话连贯性
- **动态上下文补全**：自动补充主语等关键信息

## 🏗️ 系统架构

```mermaid
graph TB
    A[用户输入] --> B[Service层]
    B --> C[Agent智能路由]
    C --> D[工具选择器]
    
    D --> E[通用问答]
    D --> F[向量检索]
    D --> G[知识图谱查询]
    D --> H[Web搜索]
    
    F --> I[Chroma向量库]
    G --> J[Neo4j图数据库]
    G --> K[实体识别NER]
    K --> L[Cypher查询生成]
    
    E --> M[LLM模型]
    F --> M
    G --> M  
    H --> M
    
    M --> N[结果整合]
    N --> O[Gradio界面]
```

## 💾 技术栈

| 技术类别 | 具体技术 | 版本 | 用途 |
|---------|---------|------|------|
| **大语言模型** | OpenAI GPT | Latest | 核心推理引擎 |
| **向量数据库** | Chroma | Latest | 文档向量存储与检索 |
| **图数据库** | Neo4j | Latest | 医疗知识图谱存储 |
| **AI 框架** | LangChain | 0.1.14 | 智能体编排与工具链 |
| **前端界面** | Gradio | 3.48.0 | 交互式Web界面 |
| **向量检索** | FAISS | Latest | 高性能向量相似度搜索 |
| **文档处理** | PyMuPDF, Unstructured | Latest | 多格式文档解析 |

## 📦 安装部署

### 环境要求
- Python 3.8+
- Neo4j 数据库
- OpenAI API Key

### 1. 克隆项目
```bash
git clone https://gitee.com/metahe/llm-agent.git
```

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

### 3. 环境配置
创建 `.env` 文件并配置以下变量：
```env
# OpenAI 配置
OPENAI_API_KEY=your_openai_api_key
OPENAI_LLM_MODEL=gpt-3.5-turbo
OPENAI_EMBEDDINGS_MODEL=text-embedding-ada-002

# Neo4j 配置  
NEO4J_URI=bolt://localhost:7687
NEO4J_USERNAME=neo4j
NEO4J_PASSWORD=your_password

# 模型配置
LLM_MODEL=openai
EMBEDDINGS_MODEL=openai
TEMPERATURE=0.3
MAX_TOKENS=1000
VERBOSE=False
```

### 4. 数据处理
```bash
# 处理文档并构建向量库
python data_process.py
```

### 5. 启动应用
```bash
python app.py
```

## 🔧 核心功能模块

### 智能体路由系统
```python
class Agent:
    def parse_tools(self, tools, query):
        # 基于问题内容智能选择最适合的处理工具
        # 支持4种不同类型的查询处理策略
```

### 知识图谱查询引擎
```python
def graph_func(self, query):
    # 1. 实体识别：提取疾病、症状、药物
    # 2. 模板匹配：匹配12种查询模板
    # 3. Cypher生成：自动生成图查询语句  
    # 4. 相似度过滤：筛选最相关结果
```

### 向量检索系统
```python
def retrival_func(self, query):
    # 1. 语义相似度搜索
    # 2. 相关性阈值过滤 (>0.7)
    # 3. 上下文整合与答案生成
```

## 📊 医疗知识图谱模式

系统支持以下医疗实体关系：

```cypher
# 疾病相关查询模板
(:Disease)-[:DISEASE_SYMPTOM]->(:Symptom)     # 疾病-症状关系
(:Disease)-[:DISEASE_DRUG]->(:Drug)          # 疾病-药物关系  
(:Disease)-[:DISEASE_DEPARTMENT]->(:Department) # 疾病-科室关系
(:Disease)-[:DISEASE_CHECK]->(:Check)        # 疾病-检查关系
(:Disease)-[:DISEASE_CUREWAY]->(:Treatment)  # 疾病-治疗关系
```

支持12种预定义查询类型：
- 疾病定义、病因、症状、治疗方法
- 就诊科室、预防措施、禁忌食物
- 检查项目、治愈率、并发症
- 药物适应症等

## 🎯 使用示例

### 基础医疗咨询
```
用户：肺性脑病是什么病？
系统：【肺性脑病】的定义：由各种慢性肺部疾病引起的脑功能障碍...
```

### 症状诊断
```  
用户：头痛可能是得了什么病？
系统：可能出现【头痛】症状的疾病：感冒、高血压、偏头痛...
```

### 治疗建议
```
用户：得了感冒吃什么药好得快？
系统：【感冒】的治疗方法：多休息、多喝水...
     可用药物：感冒灵、板蓝根...
```

## 🔬 技术创新点

### 1. 混合检索策略
- 结合向量检索的语义理解能力
- 利用图数据库的结构化查询优势
- 实现互补性的知识获取

### 2. 智能体协作模式
- 基于问题类型的智能路由
- 多个专业智能体协同工作
- 提高回答的准确性和专业性

### 3. 动态模板匹配
- 实体驱动的查询模板生成
- 语义相似度引导的模板选择
- 灵活适配不同问题表达方式

### 4. 上下文感知对话
- 智能对话历史压缩
- 多轮对话语义连贯
- 动态上下文补全机制

## 📈 性能优化

- **分块处理**：大文档分批向量化，避免内存溢出
- **相关性过滤**：设置0.7阈值，过滤低质量检索结果  
- **缓存机制**：向量库持久化存储，提高查询效率
- **异步处理**：支持并发请求处理

## 🤝 贡献指南

1. Fork 本项目
2. 创建特性分支 (`git checkout -b feature/AmazingFeature`)
3. 提交更改 (`git commit -m 'Add some AmazingFeature'`)
4. 推送到分支 (`git push origin feature/AmazingFeature`)
5. 开启 Pull Request

## 📄 开源协议

本项目采用 MIT 协议 - 详见 [LICENSE](LICENSE) 文件


## 🙏 致谢

- [LangChain](https://python.langchain.com/) - AI应用开发框架
- [Neo4j](https://neo4j.com/) - 图数据库技术支持
- [OpenAI](https://openai.com/) - 大语言模型服务
- [Gradio](https://gradio.app/) - 快速Web界面构建

---

⭐ 如果这个项目对您有帮助，请给它一个星标！