# lookmouse-agent

**Repository Path**: lookmouse/lookmouse-agent

## Basic Information

- **Project Name**: lookmouse-agent
- **Description**: lookmouse的个人agent
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-07-12
- **Last Updated**: 2026-09-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# lookmouse-agent

一个从零开始搭建的个人 agent 替身项目。

第 0 版目标很克制：不用 LangChain、LangGraph、向量数据库，先手写一个最小 RAG 闭环，帮助理解 agent 的底层数据流。

## 第 0 版能做什么

1. 从 `data/profile.md` 读取个人资料。
2. 把资料切成小片段。
3. 根据用户问题做简单本地检索。
4. 把检索结果和人格提示词拼成 prompt。
5. 调用 OpenAI 模型生成回答。

完整流程：

```text
用户问题
  -> 读取个人资料
  -> 切分资料片段
  -> 检索相关片段
  -> 组装 prompt
  -> 调用模型
  -> 输出回答
```

## 安装

当前机器没有检测到 `uv`，所以先用标准 `venv + pip`：

```bash
python3 -m venv .venv
source .venv/bin/activate
pip install -e .
```

如果你希望使用 `uv`，由你手动安装，我不会在项目里自动下载。macOS 上推荐步骤：

```bash
# 方式一：Homebrew
brew install uv

# 验证
uv --version

# 在本项目中创建虚拟环境并安装
cd /Users/lookmouse/lookmouse-agent
uv venv
source .venv/bin/activate
uv pip install -e .
```

如果你没有 Homebrew，也可以去 uv 官方文档选择适合你的安装方式。安装完成后，只要 `uv --version` 能输出版本号即可。

配置 API key：

```bash
cp .env.example .env
```

然后编辑 `.env`：

```text
OPENAI_API_KEY=你的 key
OPENAI_BASE_URL=
OPENAI_MODEL=gpt-5.6-terra
```

如果你使用第三方中转的 OpenAI-compatible API，把中转服务提供的地址填到 `OPENAI_BASE_URL`。例如：

```text
OPENAI_API_KEY=你的中转 key
OPENAI_BASE_URL=https://你的中转域名/v1
OPENAI_MODEL=中转服务支持的模型名
```

## 运行

```bash
source .venv/bin/activate
lookmouse-agent
```

你也可以直接问一句：

```bash
lookmouse-agent "你是谁？"
```

## 学习重点

这一版刻意不用框架，是为了看清楚：

- RAG 不是神秘能力，本质是“先检索，再把相关资料塞给模型”。
- `chunk` 的大小会影响召回质量。
- `top_k` 控制给模型多少资料，太少可能缺信息，太多可能干扰模型。
- persona prompt 负责“像谁”，retrieved context 负责“知道什么”。

## 下一步

第 1 版会引入 LangChain，把文档加载、切分、embedding、retriever 逐步替换成框架组件。

第 2 版会引入 LangGraph，把流程改造成显式 graph，并增加状态持久化。

v1 的架构设计、数据流、隐私边界和实施顺序见 [docs/v1-architecture.md](docs/v1-architecture.md)。