OGE Agent

一个基于 LangChain 的智能 AI Agent 系统，专为 OGE 平台设计，集成了 RAG（检索增强生成）、Milvus 向量数据库、Redis 长期记忆和 FastAPI 服务网关。

功能特性

• 智能问答：基于 RAG 技术实现 OGE 平台知识库的精准问答
• 长期记忆：通过 Redis 实现对话历史持久化，支持多用户多会话隔离
• 工具调用：封装 OGE 数据检索和模型信息查询接口为 Agent 工具
• 流式响应：支持实时流式输出，提升用户体验
• API 网关：基于 FastAPI 提供标准化的 RESTful API 接口
• 意图识别：自动识别用户意图并选择合适的处理策略

技术栈

• 核心框架：LangChain / LangGraph
• 向量数据库：Milvus
• 长期记忆：Redis
• Web 框架：FastAPI
• 编程语言：Python 3.10+
• 监控调试：LangSmith

项目结构

OGE-Agent/
├── agent/              # Agent 核心逻辑
│   ├── react_agent.py  # 主要 Agent 实现
│   └── tools/          # 自定义工具集
├── app/                # FastAPI 应用
│   ├── main.py         # 应用入口
│   └── routers/        # API 路由
├── config/             # 配置文件
├── data/               # 原始数据和知识库
├── model/              # LLM 模型工厂
├── prompts/            # 提示词模板
├── rag/                # RAG 相关实现
├── scripts/            # 工具脚本
├── test/               # 测试代码
├── utils/              # 工具函数
└── requirements.txt    # 依赖包列表

快速开始

1. 环境准备

# 克隆项目
git clone https://github.com/Relifest/OGE_Agent.git
cd OGE_Agent

# 创建虚拟环境（推荐）
python -m venv venv
source venv/bin/activate  # Linux/MacOS
# 或
venv\Scripts\activate     # Windows

# 安装依赖
pip install -r requirements.txt

2. 配置环境变量

创建 .env 文件并配置必要的环境变量：

# LLM 配置
LLM_PROVIDER=openai  # 或其他支持的提供商
OPENAI_API_KEY=your_openai_api_key

# Milvus 配置
MILVUS_HOST=localhost
MILVUS_PORT=19530

# Redis 配置
REDIS_HOST=localhost
REDIS_PORT=6379
REDIS_DB=0

# LangSmith 配置（可选）
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=your_langsmith_api_key
LANGCHAIN_PROJECT=oge

3. 数据准备

运行数据处理脚本加载知识库到 Milvus：

# 处理产品数据
python scripts/process_product_data.py

# 加载数据到 Milvus
python scripts/load_product_data_to_milvus.py

4. 启动服务

# 启动 FastAPI 服务
uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload

5. 测试 API

# 单次查询
curl -X POST http://localhost:8000/agent/query \
  -H "Content-Type: application/json" \
  -d '{"query": "请介绍一下OGE平台"}'

# 带会话历史的查询
curl -X POST http://localhost:8000/agent/query-with-history \
  -H "Content-Type: application/json" \
  -d '{
    "query": "你能记住我刚才问的问题吗？",
    "user_id": "test_user",
    "session_id": "test_session"
  }'

核心功能

RAG 知识库问答

系统通过 Milvus 向量数据库存储 OGE 平台文档，结合嵌入模型实现语义检索，为大模型提供相关上下文信息。

长期记忆对话

利用 Redis 实现对话状态管理：

• 支持多用户隔离
• 支持多会话管理
• 自动保存对话历史
• 上下文感知的响应生成

工具集成

预置的 Agent 工具包括：

• basic_info_search: 基础信息检索
• data_series_search: 数据系列查询
• data_search: 具体数据检索

开发与测试

运行测试

# 基础功能测试
python test/test_simple.py

# Agent 中间件测试
python test/test_agent_middleware.py

# API 接口测试
python test/test_api.py

# 对话历史测试
python scripts/test_conversation_history.py

调试工具

• 使用 LangSmith 进行 Agent 执行链路追踪
• 查看 logs/ 目录下的详细日志
• 通过测试脚本验证各模块功能

配置说明

所有配置都位于 config/ 目录下：

• agent.yml: Agent 行为配置
• api.yml: API 接口配置
• milvus.yml: Milvus 连接配置
• redis.yml: Redis 连接配置
• rag.yml: RAG 相关参数
• prompts.yml: 提示词配置

贡献指南

1. Fork 本仓库
2. 创建 feature 分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 创建 Pull Request

许可证

本项目仅供学习和研究使用。

联系方式

如需了解更多信息，请联系项目维护者。