docs: 更新文档内容并添加相关图片

- 添加多个文档图片用于功能展示
- 更新README文档内容，优化描述和结构
- 更新changelog添加新任务和修复问题
- 修改docker镜像配置，更新基础镜像版本

README.md

@@ -17,10 +17,9 @@
 
 ### ✨ 核心特性
 
-- 🤖 **多模型支持** - 兼容 OpenAI、国内主流大模型平台及本地部署（vLLM、Ollama）
-- 📚 **灵活知识库** - 支持 PDF、TXT、MD、Docx 等格式，支持 URL 导入和联网搜索
-- 🤖 **智能体扩展** - 支持自定义智能体开发，兼容 LangGraph 部署
-- 🕸️ **知识图谱** - 基于 Neo4j 的图谱问答，可接入现有知识图谱
+- 🤖 **多模型支持** - 适配主流大模型平台及本地部署（vLLM、Ollama），支持自定义智能体开发，兼容 LangGraph 部署
+- 📚 **灵活知识库** - 支持 LightRAG、Milvus、Chroma 等存储形式，配置 MinerU、PP-Structure-V3的文档解析引擎
+- 🕸️ **知识图谱** - 支持LightRAG的自动图谱构建，以及自定义图谱问答，可接入现有知识图谱
 - 👥 **权限控制** - 支持超级管理员、管理员、普通用户三级权限体系
 
 ![欢迎 Star](https://github.com/user-attachments/assets/a9ea624a-7b95-4bc1-a3c7-bfec6c587b5c)
@@ -34,10 +33,6 @@ https://github.com/user-attachments/assets/15f7f315-003d-4e41-a260-739c2529f824
 
 项目本身不需要显卡支持，可以运行在任何设备上。对于模型推理或者文档解析服务都可以和项目本身解耦，通过环境变量配置对应的服务即可。同时项目也提供了本地部署基于 vllm 的脚本。
 
-- Docker 和 Docker Compose
-- 2GB+ 可用内存
-- （可选）CUDA 支持的 GPU（用于 OCR 服务）
-
 ### 一键启动
 
 1. **克隆项目**
@@ -73,12 +68,33 @@ https://github.com/user-attachments/assets/15f7f315-003d-4e41-a260-739c2529f824
 
 ### 故障排除
 
-- **镜像拉取失败**：如果拉取镜像失败，可以尝试手动拉取：
-  ```bash
-  bash docker/pull_image.sh python:3.13-slim  # 替换后面的 repo_name 即可
+如果 docker 已经正常启动，则使用 `docker logs api-dev -f` 查看后端日志。
+
+<details>
+  <summary>Docker 镜像拉取失败</summary>
+
+如果拉取镜像失败，可以尝试手动拉取：
+
+```bash
+  bash docker/pull_image.sh python:3.11-slim  # 替换后面的 repo_name 即可
   ```
-- **内存不足**：如果 Milvus 启动失败，执行 `docker compose up milvus -d && docker restart api-dev`
-- **查看日志**：`docker logs api-dev -f`
+  **如果**依然存在镜像拉取问题，可以现在另外一个可访问 Docker 的设备上执行拉取镜像后，使用下面的脚本保存为 tar 文件，再拷贝到开发设备使用。
+  ```bash
+  # 保存镜像，会生成 docker_images_xxx.tar
+  bash docker/save_docker_images.sh # Linux 或 macOS
+  powershell -ExecutionPolicy Bypass -File docker/save_docker_images.ps1 # Windows PowerShell
+
+  # 拷贝 docker_images_xxx.tar 文件到开发设备
+  scp docker_images_xxx.tar <user>@<dev_host>:<path_to_save>
+
+  # 在开发设备上执行
+  docker load -i docker_images_xxx.tar
+   ```
+</details>
+
+<details>
+  <summary>Milvus 启动失败，执行 `docker compose up milvus -d && docker restart api-dev`</summary>
+</details>
 
 
 ## 🤖 模型配置
@@ -92,63 +108,68 @@ https://github.com/user-attachments/assets/15f7f315-003d-4e41-a260-739c2529f824
 | 硅基流动 | `Qwen2.5-7B-Instruct` | `SILICONFLOW_API_KEY` | 🆓 免费，默认 |
 | OpenAI | `gpt-4o` | `OPENAI_API_KEY` | |
 | DeepSeek | `deepseek-chat` | `DEEPSEEK_API_KEY` | |
-| 豆包方舟 | `doubao-pro` | `ARK_API_KEY` | |
+| OpenRouter | `openrouter` | `OPENROUTER_API_KEY` | |
 | 智谱清言 | `glm-4-flash` | `ZHIPUAI_API_KEY` | |
-| 阿里云 | `qwen-max-latest` | `DASHSCOPE_API_KEY` | |
+| 阿里云百炼 | `qwen-max-latest` | `DASHSCOPE_API_KEY` | |
 
-**完整配置示例：**
-```env
-# 基础配置（必需）
-SILICONFLOW_API_KEY=sk-your-key-here
+<details>
+  <summary>自定义模型供应商</summary>
 
-# 可选配置
-OPENAI_API_KEY=sk-your-openai-key
-DEEPSEEK_API_KEY=sk-your-deepseek-key
-TAVILY_API_KEY=your-tavily-key          # 联网搜索功能
+在 [src/static/models.yaml](src/static/models.yaml) 中添加新的模型配置，然后在 `.env` 文件中添加对应的环境变量，最后重新部署项目即可。
+
+**示例**：
+
+```yaml
+custom-provider-name-here:
+  name: custom-provider-name-here
+  default: custom-model-name-here
+  base_url: "https://api.your-provider.com/v1"
+  env:
+    - CUSTOM_API_KEY_ENV_NAME  # e.g. OPENAI_API_KEY
+  models:
+    - supported-model-name-here
 ```
+</details>
 
 ### OpenAI 兼容模型
 
-项目理论上兼容任何 OpenAI 兼容的模型，包括但不限于：
+项目理论上兼容任何 OpenAI 兼容的模型，包括但不限于 vLLM、Ollama 或者其他 API 中转或者代理服务。在 Web 界面的"设置"中添加本地模型地址。
 
-- vLLM
-- Ollama
-- 其他 API 中转或者代理服务
 
-在 Web 界面的"设置"中添加本地模型地址。
+|模型选择|自定义模型地址|
+|--|--|
+|![知识库可视化](./docs/images/select_model.png)|![本地模型配置](./docs/images/custom_models.png)|
+
 
-![本地模型配置](./docs/images/custom_models.png)
 
 ## 📚 功能详解
 
 ### 知识库管理
 
-- **多格式支持**：PDF、TXT、Markdown、Docx、Excel 等
-- **多种导入方式**：本地上传、URL 导入、批量导入
-- **智能分块**：自动优化文档分割策略
-- **向量检索**：基于 Milvus 的高效相似度搜索
+现在支持的知识库类型包括 `Chroma`、`Milvus`、`LightRAG`。[LightRAG](https://github.com/HKUDS/LightRAG) 是轻量级 GraphRAG方法。
+
+![knowledge_bases](./docs/images/knowledge_bases.png)
 
 ### 知识图谱
 
-使用 Neo4j 构建知识图谱问答能力：
+在 v0.2 版本中，项目支持了基于 [LightRAG](https://github.com/HKUDS/LightRAG) 的知识图谱构建方法。需要在知识库中创建一个基于 LightRAG 的知识库，然后上传文档。构建的知识图谱会自动导入到 Neo4j 中，并使用不同的 label 做区分。
 
-1. **数据格式**：支持 JSONL 格式导入
-   ```jsonl
-   {"h": "北京", "t": "中国", "r": "首都"}
-   {"h": "上海", "t": "中国", "r": "直辖市"}
-   ```
+|知识库可视化|Neo4J管理端|
+|--|--|
+|![知识库可视化](./docs/images/lightrag_kb.png)|![Neo4J管理端](./docs/images/neo4j_browser.png)|
 
-2. **图谱访问**：
-   - Web 界面：[http://localhost:7474](http://localhost:7474)
-   - 默认账户：`neo4j` / `0123456789`
-
-3. **现有图谱接入**：修改 `docker-compose.yml` 中的 `NEO4J_URI` 配置
+除此之外，也支持将已有的知识图谱按照下面的格式导入 Neo4j 中，或者通过修改 `docker-compose.yml` 中的 `NEO4J_URI` 配置来接入已有的 Neo4j 实例。默认账户密码是`neo4j` / `0123456789`。
 
+**数据格式**：支持 JSONL 格式导入
+```jsonl
+{"h": "北京", "t": "中国", "r": "首都"}
+{"h": "上海", "t": "中国", "r": "直辖市"}
+```
 ## 🔧 高级配置
 
 ### OCR 服务（可选）
 
-对于基础的 OCR 服务（RapidOCR onnx 版本），可以使用 SWHL/RapidOCR 的 onnx 版本，但是需要提前将模型下载到 `$MODEL_DIR` 目录下。
+对于**基础的 OCR 服务**（RapidOCR onnx 版本），可以使用 SWHL/RapidOCR 的 onnx 版本，但是需要提前将模型下载到 `$MODEL_DIR` 目录下。
 
 ```bash
 huggingface-cli download SWHL/RapidOCR --local-dir ${MODEL_DIR:-./models}/SWHL/RapidOCR
@@ -156,12 +177,18 @@ huggingface-cli download SWHL/RapidOCR --local-dir ${MODEL_DIR:-./models}/SWHL/R
 
 *如果提示 `[Errno 13] Permission denied` 则需要使用 sudo 修改权限之后再执行*
 
-提升 PDF 解析准确性，可以选择使用 MinerU 或 PP-Structure-V3 服务，但是需要 GPU 支持：
+提升 PDF 解析准确性，可以选择使用 MinerU 或 PP-Structure-V3 服务，但是需要 GPU 支持。
+
+启用**MinerU**服务：
 
 ```bash
 # MinerU（需要 CUDA 12.4+）
 docker compose up mineru --build
+```
 
+启用**PP-Structure-V3**服务，配置文件可以在 [docker/PP-StructureV3.yaml](docker/PP-StructureV3.yaml) 中修改。
+
+```bash
 # PP-Structure-V3（需要 CUDA 11.8+）
 docker compose up paddlex --build
 ```
@@ -179,20 +206,6 @@ docker compose up paddlex --build
 | 8080 | PaddleX | OCR 服务（可选）|
 | 8081 | vLLM | 本地推理（可选）|
 
-### 自定义模型供应商
-
-在 [src/static/models.yaml](src/static/models.yaml) 中添加新的模型配置：
-
-```yaml
-your_provider:
-  name: "自定义供应商"
-  default: "your-model-name"
-  base_url: "https://api.your-provider.com/v1"
-  env:
-    - YOUR_API_KEY
-  models:
-    - your-model-name
-```
 
 ## ❓ 常见问题
 

docker/save_docker_images.ps1

@@ -14,14 +14,16 @@ Write-Host "开始导出Docker镜像到 $OutputFile..." -ForegroundColor Cyan
 
 # 从各个文件中提取的基础镜像列表
 $Images = @(
-    "python:3.12",
+    "python:3.11-slim",
     "ghcr.io/astral-sh/uv:0.7.2",
-    "node:latest",
+    "node:20-alpine",
     "nginx:alpine",
     "neo4j:5.26",
     "quay.io/coreos/etcd:v3.5.5",
     "minio/minio:RELEASE.2023-03-20T20-16-18Z",
-    "milvusdb/milvus:v2.5.6"
+    "milvusdb/milvus:v2.5.6",
+    # "lmsysorg/sglang:v0.4.9.post3-cu126",
+    # "ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlex/paddlex:paddlex3.0.1-paddlepaddle3.0.0-gpu-cuda11.8-cudnn8.9-trt8.6"
 )
 
 # 确保所有镜像都已下载
@@ -48,4 +50,4 @@ if ($FileSizeGB -ge 1) {
 }
 
 Write-Host "`n要在另一台机器上加载这些镜像，请使用命令:" -ForegroundColor Cyan
-Write-Host "docker load -i $OutputFile" -ForegroundColor White 
+Write-Host "docker load -i $OutputFile" -ForegroundColor White

docker/save_docker_images.sh

@@ -11,14 +11,16 @@ echo "开始导出 Docker 镜像到 $OUTPUT_FILE..."
 
 # 从各个文件中提取的基础镜像列表
 IMAGES=(
-    "python:3.12"
-    "ghcr.io/astral-sh/uv:0.7.2"
-    "node:latest"
-    "nginx:alpine"
-    "neo4j:5.26"
-    "quay.io/coreos/etcd:v3.5.5"
-    "minio/minio:RELEASE.2023-03-20T20-16-18Z"
-    "milvusdb/milvus:v2.5.6"
+    "python:3.11-slim",
+    "ghcr.io/astral-sh/uv:0.7.2",
+    "node:20-alpine",
+    "nginx:alpine",
+    "neo4j:5.26",
+    "quay.io/coreos/etcd:v3.5.5",
+    "minio/minio:RELEASE.2023-03-20T20-16-18Z",
+    "milvusdb/milvus:v2.5.6",
+    # "lmsysorg/sglang:v0.4.9.post3-cu126",
+    # "ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlex/paddlex:paddlex3.0.1-paddlepaddle3.0.0-gpu-cuda11.8-cudnn8.9-trt8.6"
 )
 
 # 确保所有镜像都已下载

docs/changelog/v0.2.md

@@ -13,9 +13,11 @@
 
 🐛**BUGs**
 - [x] 智能体的工具切换有问题
+- [ ] 知识图谱可视化页面的效果有点问题
 
 💯 More:
 - [ ] 封装现有工具为 mcp（stdio）调用
 - [ ] 支持额外 mcp 配置（代码端）
 - [ ] 添加用户日志与用户反馈模块，可以在 AgentView 中查看信息（🌟🌟）
 - [ ] 对话页面支持文档/图片临时上传（🌟🌟🌟🌟）
+- [ ] 在Prompt中添加对于参考文献的要求，同时要求使用链接的形式，在聊天页面点击该链接后，可以选择跳转或者弹出信息预览框（最好可以提供源文件下载的功能），这里需要将DatabaseInfoView 里面的那个文件详情的弹窗给组件化。但是同时也要能够配置，选择显示源文件还是chunk的结果，如果可以的话，最好是在一个文件里面显示所有的chunk，而不是每个chunk都单独显示。不过似乎有点难度，毕竟是有 overlap 的存在，还是分开吧。对于URL链接的这种，可以选择直接跳转就可以。

src/knowledge/lightrag_kb.py

@@ -119,7 +119,7 @@ class LightRagKB(KnowledgeBase):
                 history_messages=history_messages,
                 api_key=model.api_key,
                 base_url=model.base_url,
-                extra_body={"enable_thinking": False},
+                # extra_body={"enable_thinking": False},
                 **kwargs,
             )
         return llm_model_func