c020627/LingXiAgent

灵犀平台 (LingXi) 是一个面向企业和个人开发者的 AI Agent 应用开发平台：你可以用它快速搭建多种类型的智能体（对话、代码执行、任务规划、Text2SQL、MCP 等），并为其接入 RAG 知识库、三层记忆系统、MCP 工具生态与技能编排，最终以可视化界面完成对话、任务规划与自动化执行。

• 一、项目简介
• 二、功能展示
• 三、功能特性
• 四、技术栈
• 五、核心架构与工作流程
• 六、项目结构
• 七、快速开始
• 八、部署指南
• 九、文档
• 十、许可证

灵犀平台是一个基于大语言模型的 Multi-Agent 应用开发与运营平台。它把"构建智能体"这件事从写代码变成了"配置 + 编排"：平台内置多种 Agent 类型与工具，提供 RAG 知识库、三层记忆、MCP 工具扩展、技能编排等能力，并通过前后端分离的 Web 界面让开发者直观地进行对话调试、任务规划、数据看板监控与一键部署。

平台解决的核心问题：

• Agent 类型碎片化：不同任务需要不同推理范式（ReAct / Plan-Execute / CodeAct / 工具调用），平台以统一接口提供 8 种开箱即用的 Agent。
• 知识与时序上下文割裂：通过 RAG + 三层记忆，让 Agent 既能检索外部知识，也能记住长期用户偏好与历史对话。
• 外部能力接入成本高：通过 MCP 协议与内置 14+ 工具，把天气、搜索、绘图、邮件、文档转换等能力标准化为可调用的 BaseTool。
• 可观测性缺失：内置数据看板，按 Agent / 模型 / 时间维度统计调用次数与 Token 消耗。

• 8 种智能 Agent：General / ReAct / CodeAct / MCP / PlanExecute / Skill / Text2SQL / StructuredResponse，覆盖对话、推理、代码执行、数据库查询、结构化输出等场景。
• RAG 知识库：文档解析 → 智能分块 → 向量化 → 混合检索 → 重排序 → 上下文注入的完整流水线，支持 PDF / Word / Markdown 等格式。
• 三层记忆系统：短期记忆（当前会话）+ 历史摘要（LLM 自动压缩）+ 长期记忆（向量库持久化用户事实），突破上下文窗口限制。
• MCP 工具生态：支持 Model Context Protocol，内置 arxiv / weather / 飞书等 MCP 服务器，并提供对话式 AutoBuild 自动生成 MCP Server。
• Mars 智能体中心：基于 LangGraph 的编排中枢，聚合 AutoBuild / 知识检索 / AI 资讯 / 深度搜索四大能力。
• 灵寻任务规划：实时生成可视化任务流程图，把复杂任务拆解为可执行的步骤与工具调用链。
• 混合模型部署：对话用云端强推理模型（阿里云 MaaS、DeepSeek 等），Embedding / Rerank 用本地 Ollama，统一通过 OpenAI 兼容接口接入。
• 可视化运营：数据看板、工作区、技能编排、工具中心，让 Agent 的构建与运维全流程可在界面完成。

以下为各核心模块的界面截图。

简洁现代的主界面，提供直观的功能导航与对话入口。

可视化创建与调试 8 种 Agent，配置模型、工具、记忆与提示词。

上传文档、配置分块与检索策略，为 Agent 挂载专属知识库。

实时任务流程图，把复杂目标拆解为步骤与工具调用链，直观可见。

聚合 AutoBuild / 知识检索 / AI 资讯 / 深度搜索的统一入口。

通过标准协议接入外部工具；支持以对话方式人机协同自动生成 MCP Server。

按 Agent / 模型 / 时间范围筛选调用次数与 Token 使用量。

14+ 内置工具（天气、搜索、绘图、邮件、文档转换、简历优化等）+ 技能（Skill）渐进式加载 Prompt 编排。

平台内置 8 种 Agent 类型，覆盖不同场景需求：

完整的检索增强生成（RAG）流水线：文档解析 → 智能分块 → 向量化 → 混合检索 → 重排序 → 上下文注入。支持多种文档格式（PDF、Word、Markdown 等），内置 ChromaDB 向量数据库，可选接入 Elasticsearch 做关键词召回。

• 短期记忆 — 当前会话的最近对话消息，直接从数据库读取。
• 历史摘要 — LLM 自动压缩历史对话，生成摘要存储，突破上下文窗口限制。
• 长期记忆 — 基于向量数据库的持久化记忆，LLM 自动提取对话中的关键事实并存储，支持语义检索。

支持 Model Context Protocol (MCP)，可通过标准协议接入外部工具和服务。采用两层 Agent 架构：主 Agent 将 MCP 服务器封装为子 Agent 工具，子 Agent 内部自主编排 MCP 工具调用。内置 MCP 服务器包括 arxiv、weather、lark_mcp，并提供 mcp_proxy JSON-RPC 标准代理网关。

基于 LangGraph 的多能力编排中枢，包含四种能力：

• AutoBuild — 对话式自动构建 MCP Server（人机协同）。
• Retrieval_Knowledge — 知识库检索增强。
• AI_News — AI 资讯聚合。
• Deep_Search — 基于 LangGraph 的深度搜索（多步推理 + 工具调用）。

实时生成可视化任务流程图：将复杂目标拆解为 引导式提示 → 任务 → 步骤 → 工具调用 的可执行链路，并对每一步进行反馈与修正，让任务执行过程"看得见"。

支持工作区（Workspace）隔离对话与 Agent 会话，内置微信（WeChat）Agent。智能体支持工具多轮依赖调用（工具 C 依赖 B 的结果、B 依赖 A 的结果，则执行顺序为 A → B → C）。

支持云端 API 与本地模型混合部署策略：对话模型使用云端 API（阿里云 MaaS、DeepSeek 等）获得最强推理能力，Embedding 和 Rerank 模型使用本地 Ollama 部署降低成本。所有模型均通过 OpenAI 兼容接口统一接入。

• 数据看板：按 Agent / 模型 / 时间范围统计调用次数与 Token 使用量。
• 工具中心：14+ 内置工具（天气、Web 搜索、文生图、邮件、文档互转、简历优化、ArXiv 等）。
• 技能编排：通过 Skill 渐进式加载 Prompt 教模型如何做事。
• 用户与权限：安全认证（JWT）、细粒度权限控制、个性化配置。

用户输入 → API 层接收 → 组装 Prompt（系统提示词 + 历史摘要 + 长期记忆 + 短期对话）
→ 流式调用 LLM（SSE）→ 响应返回 → 异步保存三层记忆

所有能力（普通工具、MCP 工具、技能 Agent、知识库）统一封装为 LangChain BaseTool，由主 Agent 统一调度。当工具数量超过阈值时，自动启用两阶段工具选择机制，避免工具过多导致的选择噪声。

对话结束 → LLM 提取关键事实（JSON 格式）→ 与已有记忆对比
→ 决定 ADD / UPDATE / DELETE / NONE → 更新 ChromaDB 向量库

主 Agent
  └── 将 MCP Server 封装为「子 Agent 工具」
        └── 子 Agent 内部自主编排多个 MCP Tool 调用

lingxi/
├── src/
│   ├── backend/                # 后端服务
│   │   └── agentchat/
│   │       ├── api/            # API 路由层（v1 路由、JWT、响应封装）
│   │       ├── auth/           # 认证（JWT）
│   │       ├── config.example.yaml   # 配置模板
│   │       ├── core/           # 核心 Agent 实现（agents / callbacks / models）
│   │       ├── database/       # 数据库模型与 ORM
│   │       ├── mcp_proxy/      # MCP JSON-RPC 代理网关
│   │       ├── mcp_servers/    # 内置 MCP 服务器（arxiv / weather / lark）
│   │       ├── services/       # 业务逻辑层
│   │       │   ├── autobuild/  # 对话式 MCP Server 自动构建（HITL）
│   │       │   ├── lingseek/   # 灵寻任务规划
│   │       │   ├── mars/       # Mars 智能体中心（LangGraph 编排）
│   │       │   ├── mcp/        # MCP 管理（多客户端 / 会话）
│   │       │   ├── memory/     # 三层记忆
│   │       │   ├── rag/        # RAG 流水线
│   │       │   ├── sandbox/    # 代码执行沙箱（pyodide）
│   │       │   ├── deepsearch/ # 深度搜索（LangGraph）
│   │       │   ├── workspace/  # 工作区 / 微信 Agent
│   │       │   └── storage/    # 对象存储
│   │       ├── tools/          # 14+ 内置工具
│   │       └── main.py         # FastAPI 入口
│   └── frontend/               # 前端应用（lingxi-frontend）
│       └── src/
│           ├── pages/          # 页面：agent / knowledge / mcp-server / mars / dashboard / workspace / tool / agent-skill ...
│           ├── apis/           # API 请求封装
│           ├── store/          # Pinia 状态管理
│           └── assets/         # 静态资源
├── docs/                       # 文档（development / reference）
├── docker/                     # Docker 部署配置
├── LICENSE
└── README.md

• Python 3.12+
• Node.js 18+
• MySQL 8.0+
• Redis 6+
• （可选）Ollama — 用于本地 Embedding / Rerank 模型

# 1. 进入后端目录
cd src/backend

# 2. 安装依赖
pip install -r requirements.txt
# 或使用 uv（推荐）
uv sync

# 3. 复制配置模板并填写真实值
cp agentchat/config.example.yaml agentchat/config.yaml

# 4. 确保 MySQL 和 Redis 已启动，然后运行
python -m agentchat.main

后端默认运行在 http://127.0.0.1:7860。

# 1. 进入前端目录
cd src/frontend

# 2. 安装依赖
npm install

# 3. 启动开发服务器
npm run dev

前端默认运行在 http://localhost:8090。

所有配置集中在 src/backend/agentchat/config.yaml 中，主要包括：

• server — 服务地址、端口、项目名称
• mysql — MySQL 连接信息
• redis — Redis 连接信息
• multi_models — 对话 / 工具 / 推理 / Embedding / Rerank 模型配置
• tools — 外部工具 API Key（天气、搜索、快递等）
• rag — RAG 知识库参数（分块大小、召回数量等）
• storage — 对象存储配置（MinIO 或 OSS）

详细配置说明见 config.example.yaml 中的注释。

系统支持 Docker / Docker Compose 一键部署，并支持多种向量数据库（Milvus / ChromaDB）与搜索引擎（Elasticsearch）的配置。

# 1. 编辑部署配置
vim docker/docker_config.yaml

# 2. 启动
cd docker
docker-compose up --build -d

Windows 下一键启动脚本：start_win.bat。

本地安装 MinIO 参考文档：docs/development/install_minio_win.md。

• 后端参考文档：启动后端后访问 /docs 查看 Swagger 文档。
• 接口与模块参考：docs/reference/（agentchat.md / api.md / core.md / database.md / service.md / migration.md）。

本项目采用 MIT License 开源许可证。

这意味着你可以自由使用、修改和分发本项目。

以下图片已放置于 docs/images/，README 中的链接均已生效：