0fdc0acf91
对照 0.7 BREAKING CHANGE 逐文件复核 docs/，移除/修正已下线功能的描述： - 移除 LightRAG、独立图谱上传、Ollama、旧版 v1 模型配置等已删除能力的描述 - 知识库类型更新为 Milvus + 只读连接器（Dify、Notion），补全图谱存储链路 （Neo4j + PostgreSQL + Milvus 语义索引，RRF 融合） - 补全知识库工具集（find_kb_document/open_kb_document），修正 Skills 沙盒路径 为 /home/gem/skills、中间件目录为 agents/middlewares、评估入口为侧边栏 tab - 知识库权限三档修正为 全局共享/部门共享/指定人可访问 - 下载版本统一为 0.7.0.dev0 - README 新增简介、技术栈与 0.7 动态，特性描述细化 经核实保留 Neo4j（仍用于 Milvus 知识库内图谱）与 MCP enabled 机制（仍在用）， 未误删。vitepress build 验证通过。
79 lines
4.4 KiB
Markdown
79 lines
4.4 KiB
Markdown
# 项目简介
|
||
|
||
Yuxi (语析) 是一个智能知识库和知识图谱 Agent 开发平台，能够帮助你构建结合检索增强生成 (RAG) 与知识图谱推理的生产级 AI 应用。该平台基于现代架构构建，采用 LangGraph v1、Vue.js 3、FastAPI、Milvus 和 Neo4j，提供了创建对话式 AI 系统的全面工具包，这些系统能够理解并对你的业务知识进行推理。
|
||
|
||
## 设计理念
|
||
|
||
项目的设计目标是为开发者提供一个易于上手、功能强大的 AI 应用开发框架。我们坚持以下原则：
|
||
|
||
- **技术栈简洁**：选择主流且成熟的技术，降低学习和维护成本
|
||
- **MIT 开源协议**：完全开源，允许自由使用和二次开发
|
||
- **容器化部署**：通过 Docker Compose 管理，简化部署流程
|
||
|
||
## 技术架构
|
||
|
||
| 层级 | 技术 | 用途 |
|
||
|------|------|------|
|
||
| 前端 | Vue.js 3, Vite, Ant Design Vue | 现代响应式 UI 框架与组件库 |
|
||
| 状态管理 | Pinia | 前端集中式状态管理 |
|
||
| 后端 API | FastAPI, Uvicorn | 高性能异步 Python Web 框架 |
|
||
| Agent 框架 | LangGraph v1 | 声明式 Agent 编排与状态管理 |
|
||
| 知识库 | Milvus（可建库入库）、Dify / Notion（只读连接器） | 向量知识库 RAG 与外部只读数据源检索 |
|
||
| 图数据库 | Neo4j | Milvus 知识库内知识图谱存储与查询 |
|
||
| 文档处理 | MinerU, PaddleX, RapidOCR | 多格式文档解析与 OCR |
|
||
| 任务队列 | Redis, PostgreSQL Workers | 异步任务处理 |
|
||
| 对象存储 | MinIO | 文件与文档存储 |
|
||
| 关系型数据库 | PostgreSQL | 元数据与用户数据持久化 |
|
||
| 部署 | Docker, Docker Compose | 容器化部署与编排 |
|
||
|
||
|
||
## 核心能力
|
||
|
||
Yuxi 的核心能力不在于“把大模型接进来”，而在于把 **智能体开发、知识库/RAG、知识图谱** 放进同一套系统里，并让它们在运行时真正协同工作。
|
||
|
||
### 1. 面向真实业务的智能体开发
|
||
|
||
Yuxi 基于 LangGraph v1 提供智能体开发能力，不只是一个固定问答入口，而是一套可配置、可扩展的 Agent 运行框架。开发者可以围绕同一个 Agent 配置模型、提示词、工具、MCP、Skills、SubAgents 与中间件，使“对话能力”变成“可编排的业务能力”。
|
||
|
||
这一层是项目的控制中心，决定了模型如何调用工具、如何访问知识、如何接入文件系统以及如何与其他子智能体协作。
|
||
|
||
### 2. 知识库与 RAG 一体化能力
|
||
|
||
Yuxi 提供完整的知识入库链路，而不是只做检索接口封装。文档从上传开始，会经过解析、分块、向量化、检索配置和评估等阶段，最终成为 Agent 可直接调用的知识来源。
|
||
|
||
将组织的文档转换为智能对话助手。上传 PDF 手册、技术规格、政策文档和培训材料，以创建可搜索、具备推理能力的知识库，员工可以使用自然语言查询。
|
||
该系统能够理解复杂的问题，并提供带有来源引用的上下文感知答案。
|
||
|
||
|
||
### 3. 知识图谱参与推理，而不只是展示
|
||
|
||
Yuxi 的知识图谱能力不是孤立的可视化模块，而是和 Milvus 知识库入库链路联动的。系统可以从已入库 chunks 中抽取实体和关系，写入 Neo4j 与 PostgreSQL 并为唯一实体/三元组建立 Milvus 语义索引；检索时可召回图谱实体与三元组，并与 chunk 命中结果融合（RRF），在知识库详情页展示和检索子图。
|
||
|
||
### 4. 面向生产落地的文档理解与平台能力
|
||
|
||
为了让知识真正可用，Yuxi 集成了 MinerU、PP-Structure-V3、RapidOCR、DeepSeek OCR 等解析能力，覆盖 PDF、Office、Markdown、图片等常见格式，解决原始资料进入系统前的结构化处理问题。
|
||
|
||
在此基础上，平台还补齐了业务落地常用的工程能力，例如：
|
||
|
||
- 部门与权限管理
|
||
- 内容审查与守卫能力
|
||
- 文件管理与任务管理
|
||
- Docker Compose 部署与热重载开发
|
||
|
||
|
||
## 适用场景
|
||
|
||
Yuxi 适用于以下场景：
|
||
|
||
- **企业知识库**：构建私有知识问答系统
|
||
- **智能客服**：基于文档的自动问答
|
||
- **知识管理**：文档自动解析、分类、构建图谱
|
||
- **AI 应用开发**：快速构建基于大模型的应用原型
|
||
|
||
## 下一步
|
||
|
||
- 快速开始：阅读 [快速开始指南](./quick-start.md)
|
||
- 模型配置：阅读 [模型配置](./model-config.md)
|
||
- 知识库使用：阅读 [知识库与知识图谱](./knowledge-base.md)
|
||
- 智能体开发：阅读 [智能体开发](../agents/agents-config.md)
|