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
PixPin_2025-05-17_10-40-49.mp4
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。
-
克隆项目
git clone -b stable https://github.com/xerrors/Yuxi-Know.git cd Yuxi-Know -
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） 💡 免费获取 智谱 API Key（注册即送 2000 万Tokens）
-
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 -
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。
Docker 镜像拉取失败
如果拉取镜像失败，可以尝试手动拉取：
bash docker/pull_image.sh python:3.11-slim # 替换后面的 repo_name 即可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。
# 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.tarMilvus 启动失败，执行 `docker compose up milvus -d && docker restart api-dev`
支持多种 API 服务商，配置对应的 API_KEY 即可使用：
| 服务商 | 推荐模型 | 环境变量 | 备注 |
|---|---|---|---|
| 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 |
|
| OpenRouter | openrouter |
OPENROUTER_API_KEY |
|
| 智谱清言 | glm-4-flash |
ZHIPUAI_API_KEY |
|
| 阿里云百炼 | qwen-max-latest |
DASHSCOPE_API_KEY |
自定义模型供应商
在 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：
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。
| 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
{"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，否则会影响到图的检索与构建。
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。
huggingface-cli download SWHL/RapidOCR --local-dir ${MODEL_DIR:-./models}/SWHL/RapidOCR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。
启用MinerU服务：
# 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 中修改。
# PP-Structure-V3（需要 CUDA 11.8+）
docker compose up paddlex --build| 端口 | 服务 | 说明 |
|---|---|---|
| 5173 | Web 前端 | 用户界面 |
| 5050 | API 后端 | 核心服务 |
| 7474/7687 | Neo4j | 图数据库 |
| 9000/9001 | MinIO | 对象存储 |
| 19530/9091 | Milvus | 向量数据库 |
| 30000 | MinerU | PDF 解析（可选） |
| 8080 | PaddleX | OCR 服务（可选） |
| 8081 | vLLM | 本地推理（可选） |
暂无
感谢所有贡献者的支持！
- Fork 本项目
- 创建特性分支 (
git checkout -b feature/amazing-feature) - 提交更改 (
git commit -m 'Add some amazing feature') - 推送到分支 (
git push origin feature/amazing-feature) - 创建 Pull Request
本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。