# langChainGraph

**Repository Path**: code-me/langChainGraph

## Basic Information

- **Project Name**: langChainGraph
- **Description**: 使用langChainGraph fastapi fastmcp apscheduler搭建包含权限认证、分组管理、AI工作编排、mcp服务管理、飞书集成、任务管理、通用数据库表查询、工单系统等功能
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 2
- **Created**: 2025-08-25
- **Last Updated**: 2025-09-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

## 测试

项目包含完整的测试体系：

```bash
# 运行所有测试
pytest

# 运行特定测试
pytest tests/test_knowledge_base.py
```
## 性能优化

1. **缓存机制**: 多层缓存架构，包括内存缓存、Redis 缓存和文件缓存
2. **异步处理**: 关键操作异步化，提升系统响应速度
3. **连接池**: 数据库和 Redis 连接池管理，减少连接开销
4. **索引优化**: 合理的数据库索引设计，提升查询性能

## 文档结构

项目文档已经整理到 [docs](./docs) 目录中，按照以下结构组织：

- [docs/](./docs) - 文档根目录和索引
  - [components/](./docs/components) - 核心组件文档
  - [modules/](./docs/modules) - 功能模块文档
  - [api/](./docs/api) - API 接口文档
  - [guides/](./docs/guides) - 开发和使用指南

详细的文档结构请参考 [docs/README.md](./docs/README.md).

# LangChainGraph 智能研究助理系统

<p align="center">
  <img src="https://img.shields.io/badge/Python-3.9+-blue.svg" alt="Python Version">
  <img src="https://img.shields.io/badge/FastAPI-0.68+-green.svg" alt="FastAPI">
  <img src="https://img.shields.io/badge/LangChain-Latest-orange.svg" alt="LangChain">
  <img src="https://img.shields.io/badge/license-MIT-blue.svg" alt="License">
</p>

## 项目概述

LangChainGraph 是一个集成了 LangChain、Neo4j 和 FastAPI 的 AI 研究助手项目，提供强大的自然语言查询、知识图谱构建、知识库服务和智能分析功能。

## 🌟 核心特性

### 🔍 多代理研究助理
- **协调员代理**: 负责整体任务规划和协调
- **搜索专家代理**: 专门负责信息检索和数据收集
- **分析专家代理**: 对收集的数据进行深度分析
- **质量保证代理**: 确保输出质量和准确性
- **写作专家代理**: 负责最终结果的格式化和呈现

### 📋 工单管理系统
完整的工单生命周期管理，包括创建、分配、处理和关闭。

### 📚 知识库服务
提供结构化知识条目的完整管理功能，支持富文本内容、元数据存储和版本控制，实现知识的沉淀和复用。

### 👥 群组管理
灵活的群组管理功能，支持成员管理和权限控制。

### ⏰ 定时任务
强大的定时任务调度和执行能力。

### 📞 飞书集成
与飞书平台深度集成，支持消息推送和机器人交互。

### 🗄️ 通用数据库查询
支持多种数据库的通用查询和管理。

### 🧠 知识图谱
构建和管理知识图谱，支持语义搜索和知识推理。

### 📞 语音电话
提供语音通信和语音识别功能。

### 📁 项目管理
完整的项目管理功能，支持项目全生命周期管理。

### ⚡ 性能优化
- **多级缓存系统**: 内存、文件和Redis三级缓存架构
- **异步处理**: 异步I/O操作和工作流池并发处理
- **智能语义缓存**: 基于嵌入向量的语义相似度匹配

### 🤝 实时协作
- **协同编辑**: 基于Operational Transformation(OT)算法的实时协同编辑
- **文档版本控制**: 完整的文档版本历史和回滚功能
- **冲突解决**: 智能冲突检测和解决机制
- **实时状态跟踪**: 实时光标位置和用户状态显示

## 详细文档

| 文档 | 描述 |
|------|------|
| [服务网关](README.md) | 项目主文档（当前文档） |
| [知识图谱](README_KNOWLEDGE_GRAPH.md) | 知识图谱功能详细说明 |
| [知识库](README_KNOWLEDGE_BASE.md) | 知识库服务详细说明 |
| [通用查询](README_GENERIC_QUERY.md) | 通用数据库查询功能说明 |
| [工单系统](README_TICKET_SYSTEM.md) | 工单系统功能说明 |
| [用户分组](README_GROUPS.md) | 用户分组功能说明 |
| [多模型管理](README_MULTI_MODEL.md) | 多模型管理系统说明 |
| [多模态处理](README_MULTIMODAL.md) | 多模态处理功能说明 |
| [联邦学习](README_FEDERATED_LEARNING.md) | 联邦学习框架说明 |
| [飞书集成](README_FEISHU.md) | 飞书集成功能说明 |
| [MCP 集成](README_MCP.md) | 模型控制平面集成说明 |

## 核心组件

### 1. 服务网关
服务网关是系统的统一入口，支持通过自然语言与系统交互。用户可以使用自然语言查询知识图谱、执行数据库操作、管理工作流和操作知识库等。

### 3. 知识库
知识库服务提供结构化知识条目的完整管理功能，包括创建、检索、更新、删除和版本控制，支持富文本内容和元数据存储。

### 2. 知识图谱
知识图谱功能基于 Neo4j 图数据库和 Sentence Transformers 嵌入模型，提供实体关系提取、语义搜索和混合搜索能力。

### 3. 知识库
知识库服务提供结构化知识条目的完整管理功能，包括创建、检索、更新、删除和版本控制，支持富文本内容和元数据存储。

### 4. 通用查询
通用查询服务允许用户使用自然语言查询数据库，系统会自动解析查询意图并生成相应的 SQL 语句。

### 5. 工作流编排
工作流系统支持复杂任务的自动化执行，包括研究任务、分析任务、报告生成等。

### 6. 多模型管理
多模型管理系统集成了多种 AI 模型和提供商，支持智能模型选择和动态切换。

### 多模型管理架构
1. **模型集成**：
   - 云端API模型（如OpenAI）
   - 本地模型（通过Ollama支持CodeLlama、LLaVA、Whisper等）

2. **模型管理器**：
   - 单例模式确保全局唯一实例
   - 支持CHAT、CODE_GENERATION、IMAGE_RECOGNITION、SPEECH_RECOGNITION等模型类型
   - 提供获取、添加、移除、列出模型等基础管理功能

3. **智能模型选择**：
   - 根据任务类型自动选择最适合的模型
   - 基于性能指标的动态模型选择策略
   - 模型选择结果缓存优化

4. **性能监控**：
   - 集成Prometheus监控关键指标
   - 模型调用计数、响应时间、准确率、错误率等监控
   - 模型选择时间及计数监控

### 个性化推荐系统架构
1. **用户画像构建**：
   - 收集和分析用户基本信息
   - 跟踪和建模用户行为特征
   - 构建动态更新的用户画像系统

2. **推荐引擎**：
   - 基于内容的推荐算法
   - 协同过滤推荐算法
   - 混合推荐算法实现
   - 实时推荐和离线推荐支持

3. **特征工程**：
   - 用户行为特征提取
   - 内容特征向量化
   - 实时特征计算和缓存

4. **评估体系**：
   - 在线评估（CTR、转化率等）
   - 离线评估（准确率、召回率等）
   - A/B测试支持

## 快速开始

### 环境要求
- Python 3.10+
- pip 包管理器

### 安装依赖
```bash
pip install -r requirements.txt
# 语音功能额外依赖
pip install -r requirements_voice.txt
```

4. 配置环境变量
```bash
cp .env.example .env
# 编辑 .env 文件配置数据库和其他设置
```

5. 初始化数据库
```bash
alembic upgrade head
```

### 配置环境
1. 复制 `.env.example` 到 `.env`
2. 根据需要配置环境变量

### 运行项目
```bash
# 本地开发
python run.py

# 多代理研究助理
python run_multi_agent.py

# 流式多代理研究助理
python run_streaming_multi_agent.py
```

### Docker 部署
```bash
docker-compose up -d
```

## 📚 API 文档

系统提供完整的 OpenAPI 文档：
- API 文档: `http://localhost:8000/docs`
- ReDoc 文档: `http://localhost:8000/redoc`

## 🛠️ 配置说明

主要配置项：
- 数据库连接
- Redis连接（可选）
- JWT密钥
- 飞书集成配置
- Prometheus监控配置
- Grafana配置
- Jaeger分布式追踪配置
- 其他服务相关配置

详细配置说明请参考 `.env.example` 文件。

## 功能特性

### 核心功能
- **自然语言交互**: 通过服务网关实现自然语言与系统交互
- **知识图谱**: 构建和查询结构化知识图谱
- **知识库服务**: 结构化知识条目的完整管理功能
- **语义搜索**: 基于向量嵌入的智能语义搜索
- **通用数据库查询**: 支持自然语言数据库查询
- **工作流编排**: 复杂任务的自动化执行
- **多模型支持**: 集成多种 AI 模型和提供商
- **提示词工程**: 完整的提示词工程工作流及增强功能
- **个性化推荐**: 基于用户画像和行为的个性化内容推荐

### 增强功能
- **多模态处理**: 支持图像和表格内容的处理
- **联邦学习**: 分布式模型训练和聚合
- **飞书集成**: 与飞书协作平台集成
- **实时协作**: 多用户实时协同编辑
- **智能缓存**: 多层缓存机制提升性能
- **监控告警**: 全面的系统监控和告警

## 技术架构

```
graph TD
    A[用户接口] --> B[服务网关]
    B --> C[路由分发]
    C --> D[知识图谱服务]
    C --> E[知识库服务]
    C --> F[通用查询服务]
    C --> G[工单系统]
    C --> H[用户分组服务]
    C --> I[多模型管理]
    C --> J[工作流编排]
    C --> K[提示词工程服务]
    C --> L[推荐系统服务]
    
    D --> M[(Neo4j数据库)]
    D --> N[(FAISS向量索引)]
    E --> O[(知识库数据库)]
    E --> P[(Redis缓存)]
    F --> Q[(业务数据库)]
    G --> R[(工单数据库)]
    H --> S[(用户数据库)]
    J --> T[(工作流数据库)]
    K --> U[(提示词模板数据库)]
    L --> V[(用户画像数据库)]
    L --> W[(行为日志数据库)]
    
    X[监控系统] --> B
    Y[缓存系统] --> B
```

## 配置管理

系统通过 `.env` 文件进行配置管理，主要配置项包括：

- 数据库连接配置
- JWT 认证配置
- CORS 跨域配置
- Redis 缓存配置
- 模型提供商配置
- 飞书集成配置
- MCP 服务器配置

完整文档请参考：[监控告警系统文档](docs/troubleshotting/监控告警系统.md)

## 🔒 安全特性

- JWT 认证和授权
- 角色权限控制
- 输入验证和清理
- 安全头设置
- 速率限制

## 🤝 贡献指南

欢迎提交 Issue 和 Pull Request 来改进项目。

1. Fork 项目
2. 创建功能分支
3. 提交更改
4. 推送到分支
5. 创建 Pull Request

## 开发指南

### 项目结构
```
langgraph_project/
├── src/                    # 源代码目录
│   ├── config/            # 配置模块
│   ├── models/            # 数据模型
│   ├── routes/            # API 路由
│   ├── services/          # 业务服务
│   ├── utils/             # 工具函数
│   └── containers.py      # 依赖注入容器
├── data/                  # 数据目录
├── cache/                 # 缓存目录
├── tests/                 # 测试目录
├── docs/                  # 文档目录
└── examples/              # 示例目录
```

### 依赖注入
项目使用 `dependency-injector` 实现依赖注入，所有服务通过容器进行管理，确保服务的单例模式和依赖关系正确配置。

### 错误处理
系统采用统一的错误处理机制，所有服务异常都会被转换为标准的 HTTP 错误响应。

## 许可证
MIT License