语析是一个功能强大的智能问答平台，融合了 RAG 知识库与知识图谱技术，基于 LangGraph + Vue.js + FastAPI + LightRAG 架构构建。

• 🤖 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

📽️ 点击查看视频演示

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。

1. 克隆项目

   git clone -b 0.2.1 https://github.com/xerrors/Yuxi-Know.git
   cd Yuxi-Know

   如果想要使用之前的稳定版（与现版本不兼容），可以使用分支：stable 分支，main 分支是最新的开发版本。

2. 配置 API 密钥

   复制环境变量模板并编辑：

   cp src/.env.template src/.env

   必需配置（推荐使用硅基流动免费服务）：

   SILICONFLOW_API_KEY=sk-270ea********8bfa97.e3XOMd****Q1Sk

   💡 免费获取 SiliconFlow API Key（注册即送 14 元额度）

3. 启动服务

   docker compose up --build

   添加 -d 参数可后台运行。启动完成后访问：http://localhost:5173

4. 停止服务

   docker compose down

如果 docker 已经正常启动，则使用 docker logs api-dev -f 查看后端日志。

  bash docker/pull_image.sh python:3.11-slim  # 替换后面的 repo_name 即可

# 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

export HTTP_PROXY=http://IP:PORT
export HTTPS_PROXY=http://IP:PORT

支持多种 API 服务商，配置对应的 API_KEY 即可使用：

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

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。

现在支持的知识库类型包括 Chroma、Milvus、LightRAG。LightRAG 是轻量级 GraphRAG方法。

在 v0.2 版本中，项目支持了基于 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。需要说明的是，基于 LightRAG 的知识库，可以在知识库详情中可视化，但是不能在侧边栏的图谱中检索，知识图谱检索工具也不支持基于 LightRAG 的知识库进行检索。基于 LightRAG 方法构建的图谱的查询，需要使用对应的知识库作为查询工具。

默认使用的图谱构建模式是 siliconflow 的 Qwen/Qwen3-30B-A3B-Instruct-2507，可以使用 LIGHTRAG_LLM_PROVIDER 和 LIGHTRAG_LLM_NAME 覆盖。

知识库可视化	Neo4J管理端

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，上传后，节点会自动添加 Upload、Entity 标签，关系会自动添加 Relation 标签。可以通过 name 属性访问实体的名称，使用 type 属性访问边的名称。默认账户密码是neo4j / 0123456789。

数据格式：支持 JSONL 格式导入，可以先尝试 test/data/A_Dream_of_Red_Mansions_tiny.jsonl 文件。

{"h": "北京", "t": "中国", "r": "首都"}
{"h": "上海", "t": "中国", "r": "直辖市"}

此外，也可以通过修改 docker-compose.yml 中的 NEO4J_URI 配置来接入已有的 Neo4j 实例，但是最好确保每个节点都有 Entity 标签，每个关系都有 RELATION 类型，否则会影响到图的检索与构建。

注：在“图谱”页面，只能看到上传的节点和边，基于 LightRAG 构建的图谱不会展示在里面，完整的图谱可以去 Neo4j 管理页面查看。

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（默认 src/.env.template 中为 models）。在容器内实际路径为 /models（由 MODEL_DIR_IN_DOCKER 指向）。

huggingface-cli download SWHL/RapidOCR --local-dir ${MODEL_DIR:-./models}/SWHL/RapidOCR

• 模型完整性要求：需要存在 PP-OCRv4/ch_PP-OCRv4_det_infer.onnx 和 PP-OCRv4/ch_PP-OCRv4_rec_infer.onnx
• 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（需要 NVIDIA GPU）。

启用MinerU服务：

# MinerU（需要 CUDA 12.6+ 的 sglang 镜像）
docker compose up mineru --build

启用PP-Structure-V3服务，配置文件可在 docker/PP-StructureV3.yaml 中修改。

# PP-Structure-V3（需要 CUDA 11.8+）
docker compose up paddlex --build

目前该项目默认集成了三个 Demo 智能体，包含基础智能体、ReAct、DeepResearch 三个案例 Demo，均使用 LangGraph 开发。代码位于 src/agents 目录。在 src/agents/react/graph.py 中定义了 ReActAgent 示例。

如果需要自定义智能体应用，实现一个继承于 BaseAgent 的类，并实现 get_graph 方法返回一个 graph 实例。智能体的 context_schema 定义了配置参数。

注册智能体的方式请参考已有实现：src/agents/init.py。例如：

from .chatbot import ChatbotAgent

agent_manager = AgentManager()
agent_manager.register_agent(ChatbotAgent)
agent_manager.init_all_agents()

在主页和登录页面的很多信息，比如 Logo，组织名称，版权信息等，都可以复制 src/static/info.template.yaml，并新建一个 src/static/info.local.yaml（或者在 .env 文件中配置 YUXI_BRAND_FILE_PATH 指向这个文件），在这个文件中配置。在项目启动时，会加载这个文件，然后根据文件中的配置，渲染到前端页面中。如果 src/static/info.local.yaml 不存在，会默认使用 src/static/info.template.yaml 中的配置。

系统的配色方面，主要保存在 web/src/assets/css/base.css 中。只要替换其中的 --main-* 相关的变量，就可以改变系统的配色。

文件上传脚本，使用 scripts/batch_upload.py 脚本上传文件到知识库中，调用示例如下，会将 path/to/your/data 目录下所有 *.docx 文件上传到 your_kb_id 知识库中。

# 上传知识库文件
uv run scripts/batch_upload.py upload \
    --db-id your_kb_id \
    --directory path/to/your/data \
    --pattern "*.docx" \
    --base-url http://127.0.0.1:5050/api \
    --username your_username \
    --password your_password \
    --concurrency 4 \
    --recursive \
    --record-file scripts/tmp/batch_processed_files.txt

文件解析脚本，还可以使用 scripts/batch_upload.py trans 脚本将文件解析成 markdown 文件，调用示例如下，会将 path/to/your/data 目录下所有 *.docx 文件解析成 markdown 文件，输出到 path/to/output_markdown 目录中。

# 文件解析成 markdown
uv run scripts/batch_upload.py trans \
    --db-id your_kb_id \
    --directory path/to/your/data \
    --output-dir path/to/output_markdown \
    --pattern "*.docx" \
    --base-url http://127.0.0.1:5050/api \
    --username your_username \
    --password your_password \
    --concurrency 4 \
    --recursive

• 如何查看后端日志？运行 docker logs api-dev -f
• RapidOCR 模型未找到怎么办？确认 MODEL_DIR 指向的目录存在 SWHL/RapidOCR，且包含 PP-OCRv4 下的 det/rec onnx 文件。
• MinerU/PaddleX 健康检查失败？分别检查 http://localhost:30000/health 与 http://localhost:8080/ 是否 200，确认 GPU/驱动与 CUDA 版本匹配。

感谢所有贡献者的支持！

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

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。