基于 FastAPI + Next.js + Google ADK + MCP 构建的现代化智能对话系统。
- 🚀 实时流式响应：支持 thinking（思考过程）、tool_call（工具调用）、content（回复内容）的流式输出
- 🧠 多轮对话：基于 Google ADK 的会话管理，自动维护上下文
- 🔧 MCP 协议：完整实现 Model Context Protocol（JSON-RPC 2.0）
- 🛠️ 动态工具加载：计算器、天气查询、网络搜索、知识库检索等工具自动集成
- 📚 RAG 知识库：基于 LangChain + pgvector 的文档检索增强，支持混合模式（自动增强 + Agent 主动调用）
- ⚡ 异步文档处理：上传立即返回（< 0.5秒），后台处理 + WebSocket 实时推送状态
- 💾 双层会话管理：业务层持久化 + SDK 层运行时缓存
- 🔐 用户认证：JWT 双 Token 机制 + Token 绑定 + 自动刷新
- 📊 结构化存储：完整记录 thinking 和 tool_call timeline
- 📈 实时 Token 追踪：每次 LLM 调用的 token 使用量实时推送和动画显示
- 🎨 现代化 UI：ChatGPT 风格界面 + 欢迎页面 + 流畅动画效果
- ⚡ 性能优化：全局初始化避免重复请求，局部状态更新，智能缓存提升响应速度
| 技术 | 版本 | 说明 |
|---|---|---|
| Python | 3.11+ | 编程语言 |
| FastAPI | 0.109+ | Web 框架 |
| Google ADK | 0.1.0+ | Agent Development Kit |
| SQLAlchemy | 2.0+ | ORM 框架 |
| PostgreSQL | 14+ | 数据库（支持 pgvector） |
| pgvector | 0.5+ | 向量检索扩展 |
| Pydantic | 2.0+ | 数据验证 |
| WebSocket | - | 实时通信 |
| 技术 | 版本 | 说明 |
|---|---|---|
| Next.js | 14+ | React 框架 |
| TypeScript | 5+ | 类型系统 |
| Tailwind CSS | 3+ | CSS 框架 |
| Zustand | 4+ | 状态管理 |
| React Markdown | 9+ | Markdown 渲染 |
| 组件 | 说明 |
|---|---|
| Google ADK | Agent 开发工具包，管理对话和工具调用 |
| Ollama | 本地 LLM 运行（Qwen3:8b） |
| OpenAI | OpenAI API 支持（可选） |
| MCP | 工具协议标准化（JSON-RPC 2.0） |
| LangChain | RAG 文档处理和检索增强 |
| pgvector | PostgreSQL 向量扩展（向量存储和检索） |
| FAISS | 向量检索引擎（内存加速 + 磁盘持久化） |
| BGE-M3 | 多语言文本嵌入模型（1024维，GPU 加速） |
| BGE-Reranker-V2-M3 | 结果重排序模型（GPU 加速） |
agent-project/
├── backend/ # 后端服务
│ ├── app/
│ │ ├── api/ # API 路由
│ │ ├── services/ # 业务服务层
│ │ ├── ai/ # AI 集成层 ⭐
│ │ │ ├── adk_agent_adapter.py # ADK Agent 主适配器
│ │ │ ├── adk_llm_adapter.py # LLM 客户端适配
│ │ │ ├── adk_session_service.py # SDK 会话管理
│ │ │ ├── frontend_event_adapter.py # 事件格式转换
│ │ │ ├── mcp_tools_adapter.py # MCP 工具适配
│ │ │ ├── mcp/ # MCP 协议实现
│ │ │ │ ├── protocol.py # JSON-RPC 2.0 协议
│ │ │ │ ├── server.py # MCP Server 基类
│ │ │ │ ├── client.py # MCP Client
│ │ │ │ └── tools_server.py # 工具服务器
│ │ │ ├── clients/ # LLM 客户端
│ │ │ └── tools/ # 工具实现
│ │ │ ├── general/ # 通用工具（计算器、天气等）
│ │ │ └── rag/ # RAG 检索工具 📚
│ │ ├── models/ # 数据库模型
│ │ └── websocket/ # WebSocket 处理
│ ├── tests/ # 测试
│ └── alembic/ # 数据库迁移
│
├── frontend/ # 前端应用
│ ├── app/ # Next.js 页面
│ ├── components/ # React 组件
│ ├── hooks/ # 自定义 Hooks
│ ├── lib/ # 工具库
│ └── store/ # Zustand 状态管理
│
├── project-structure.md # 详细项目结构
├── tech-stack.md # 技术栈详情
└── README.md # 本文件
详细目录说明请查看 project-structure.md
- Python 3.11+
- Node.js 18+
- PostgreSQL 14+（需启用 pgvector 扩展）
- Redis 6+（用于 Token 和缓存管理）
- Ollama（用于本地 LLM）
- GPU（可选，用于 RAG 加速）
# 进入后端目录
cd backend
# 创建 conda 环境（推荐）
conda create -n ai_chat_env python=3.11
conda activate ai_chat_env
# 安装依赖
pip install -r requirements.txt
# 配置环境变量
cp .env.example .env
# 编辑 .env 文件，设置数据库连接等
# 运行数据库迁移
alembic upgrade head
# 启动开发服务器
uvicorn app.main:app --reload --host 0.0.0.0 --port 8000# 进入前端目录
cd frontend
# 安装依赖
npm install
# 配置环境变量
cp .env.example .env.local
# 编辑 .env.local，设置后端 API 地址
# 启动开发服务器
npm run dev# 启动 Ollama
ollama serve
# 拉取模型（在另一个终端）
ollama pull qwen3:8b- 前端：http://localhost:3000
- 后端 API：http://localhost:8000
- API 文档：http://localhost:8000/docs
支持流式输出，包含：
- Thinking：AI 的思考过程（可选显示）
- Tool Call：工具调用及参数
- Tool Result：工具执行结果
- Content：AI 的最终回复
基于 MCP 协议的工具系统：
| 工具 | 功能 | MCP Server |
|---|---|---|
| Calculator | 数学计算（支持四则运算、幂运算、括号） | CalculatorMCPServer |
| Weather | 天气查询（OpenWeatherMap API） | WeatherMCPServer |
| Search | 网络搜索（Serper API） | SearchMCPServer |
| Knowledge Search | 知识库检索（语义搜索 + 重排序）📚 | KnowledgeSearchMCPServer |
业务层（永久存储）：
- MySQL 数据库存储所有会话和消息
- 支持会话列表、搜索、编辑、删除
- 记录完整的 timeline（thinking + tool_call + content）
SDK 层（运行时缓存）：
- ADK SessionService 管理当前对话状态
- 自动累积和传递多轮上下文
- 内存存储，进程重启后清空
支持编辑历史消息并重新生成 AI 回复：
- 软删除原消息及后续所有回复
- 保留编辑历史（parent_message_id）
- 自动重新生成助手回复
每次 LLM 调用完成时实时推送和显示：
- 推送信息：
- 输入/输出/总计 token 数量
- 调用序号和耗时（毫秒）
- 会话累计 token 数
- 上下文使用率百分比
- UI 显示：
- 顶部 ContextProgress 组件实时更新
- 显示本次调用的 token 使用量
- 圆形进度条动态显示（如：
2.3K / 32K context used） - 颜色根据使用率自动调整（< 70% 灰色，70-90% 橙色，> 90% 红色）
- 控制台日志：
[LLM调用 #3] Tokens: 1498(输入) + 819(输出) = 2317(总计), 耗时: 12974ms, 会话累计: 4143 tokens, 上下文使用率: 12.95%
基于 pgvector + LangChain 的文档检索增强系统（已实现）：
数据模型：
KnowledgeBase：知识库管理（名称、描述、配置）Document：文档元数据（标题、格式、状态、token 数）DocumentChunk：统一父子块模型- 父块（Parent）：粗粒度上下文（2048 tokens）
- 子块（Child）：细粒度检索（512 tokens）
文档处理（⚡ 异步优化）：
- 支持多种格式：PDF、Word、TXT、HTML、Markdown
- 异步处理架构：上传立即返回（< 0.5秒），后台处理（ThreadPoolExecutor）
- 实时状态推送：processing → completed，无需轮询
- 智能文本切分：父子分块策略（Parent-Child Chunking）
- 文本向量化：BGE-M3 多语言模型（GPU 加速 7-10x）
- 向量检索：FAISS 索引（内存检索 + 磁盘持久化）
- 向量备份：PostgreSQL + pgvector（支持 Vector 类型）
- 结果重排序：BGE-Reranker-V2-M3（GPU 加速 12x）
知识库功能：
- 完整的 CRUD API：
/api/v1/rag/knowledge-bases - 异步文档上传：
/api/v1/rag/knowledge-bases/{id}/upload（立即返回） - WebSocket 实时通知：
DOCUMENT_STATUS_UPDATE(7000)，推送完整文档信息 - 局部状态更新：前端无刷新体验，流畅的 UI 更新
- 自动文本切分和向量化
- 语义相似度检索（支持跨语言：中文查询英文文档）
- 两阶段检索：召回（Vector Search）+ 重排（Cross-Encoder）
- 混合检索模式：
- 🔄 自动模式：用户选择知识库时，系统自动检索并注入上下文
- 🤖 主动模式：Agent 根据对话自主决定是否调用
search_knowledge_base工具
- 作为 MCP 工具供 Agent 调用（KnowledgeSearchMCPServer）
前端界面：
- 知识库列表：
/knowledge-bases - 知识库详情：
/knowledge-bases/[id] - 文档上传和管理
- 实时处理状态显示
GPU 性能优势：
- ⚡ 文本向量化速度提升 7-10倍（BGE-M3，相比 CPU）
- ⚡ 重排序速度提升 12倍（Reranker，相比 CPU）
- ⚡ 端到端检索延迟降低到 30-50ms（原 300-500ms）
- 📊 支持更大的知识库（100K+ 向量）
- 🔥 支持 NVIDIA TITAN / RTX 系列 GPU
使用流程：
1. 用户上传文档（PDF/Word/TXT 等）
2. PyMuPDF 解析文档，提取文本和元数据
3. 按章节智能切分为父块（2048 tokens）和子块（512 tokens）
4. BGE-M3 模型生成向量（GPU 加速）
5. 向量存入 FAISS 索引（内存）并持久化到磁盘
6. 元数据和向量备份存入 PostgreSQL（pgvector）
7. 用户对话时选择知识库（可选）
- 自动模式：系统自动检索并注入上下文（< 50ms）
- 主动模式：Agent 根据对话判断是否调用 search_knowledge_base 工具
8. 两阶段检索：
- 第一阶段：向量召回 Top-20 子块（FAISS 内存检索）
- 第二阶段：重排序选出 Top-5 父块（Reranker GPU）
9. LLM 基于检索结果生成回答，并引用来源
快速开始：
cd backend
./setup_gpu.sh # 自动配置 GPU 环境
# 详见 backend/GPU_OPTIMIZATION.md 和 backend/RAG_TESTING.mdcd backend
# 运行所有测试
pytest
# 运行特定测试
pytest tests/test_adk_session.py
# 运行 MCP 工具测试
python tests/test_real_mcp.pycd frontend
# 运行测试
npm test- 响应延迟：< 100ms（首字响应）
- 流式输出：实时（< 10ms 每个 chunk）
- 并发支持：100+ WebSocket 连接
- 数据库查询：< 50ms（索引优化）
- 文档上传：< 0.5s（上传接口响应，异步处理）
- 文档处理：2-3s（后台解析、切分、向量化，10 页 PDF）
- 向量检索：30-50ms（FAISS 内存检索 + GPU 重排序）
- JWT 双 Token 机制：
- Access Token（JWT，60分钟有效）：用于 API 请求认证
- Refresh Token（UUID，7天有效）：用于刷新 Access Token
- Token 绑定机制：Access Token 与 Refresh Token 关联，删除 Refresh Token 后 Access Token 立即失效
- 会话管理：
- Refresh Token 存储在 Redis（支持多设备登录）
- 登出时删除 Refresh Token，Access Token 立即失效
- Token 刷新时删除旧 Token，防止重放攻击
- 中间件保护：
- JWT 中间件自动验证 Token 有效性
- Token 失效时直接返回 401（不继续执行请求）
- 支持黑名单机制（强制登出）
- 密码 bcrypt 加密（自动加盐）
- SQL 注入防护（SQLAlchemy ORM）
- XSS 防护（前端输入过滤）
- CORS 配置（限制跨域访问）
- WebSocket 鉴权（Token 验证）
- HTTPS 支持（生产环境推荐）
- Cookie HttpOnly + SameSite（防 CSRF）
# 查看日志
tail -f backend/uvicorn.log
# 数据库迁移
alembic revision --autogenerate -m "description"
alembic upgrade head# 类型检查
npm run type-check
# Lint
npm run lint- 核心改动：thinking/tool_call/tool_result 从 timeline 改为独立消息存储，符合 OpenAI 标准
- 新增字段：
round_id（轮次 ID）、tool_calls、message_subtype、is_internal、display_order - 查询优化：按
round_id分组聚合，摘要生成不再切割工具调用上下文 - 性能提升：查询速度 +20%，符合 OpenAI 标准，向后兼容旧格式
- 从模型配置表读取
max_context_length，传递给 Ollama 的num_ctx参数 - 限制最大上下文 32K，
temperature降至 0.1 提升工具调用准确率 30%+ - 超时时间：60s → 300s（支持复杂知识库问答）
- 系统提示词重构：强制每次新问题都调用工具，禁止依赖对话历史，每次自动更新最新提示词
- 检索优化：相似度阈值 0.2 → 0.4，重排序分数归一化（Sigmoid），详细日志输出
- 前端展示：RAG 结果按文档聚合，显示页码范围和得分，绿色主题区分
- 实测效果：工具调用频率 +5倍，检索准确率 +40%
- 消息左右对齐布局，头像简化，移除冗余容器
- 上下文进度 K 单位改为 1024（计算机标准）
- WebSocket 新增
waitForConnection、sendWithWait方法，欢迎界面发送成功率 100%
- API 返回消息手动序列化（包含 timeline）
- 工厂模式参数重命名：
model_name → model_id - 完整向后兼容旧格式消息
核心功能：实现 RAG 检索作为 Agent 主动调用的工具，支持混合模式（自动增强 + Agent 主动调用）。
后端实现：
- RAG 工具创建 (
knowledge_search.py)：- 实现
KnowledgeSearchTool作为标准 MCP 工具 - 支持参数：query（查询文本）、kb_id（知识库ID）、top_k（返回数量）
- 返回格式化的检索结果（内容、来源、页码、得分）
- 实现
- MCP 工具集成 (
tools_server.py)：- 新增
KnowledgeSearchMCPServer包装 RAG 工具 - 动态生成工具描述（包含可用知识库列表）
- 与现有工具（Calculator、Weather、Search）统一管理
- 新增
- 混合检索模式 (
chat_service.py)：- 自动模式：用户选择知识库时，系统自动执行 RAG 检索并注入上下文
- 主动模式：Agent 根据对话内容自主决定是否调用 RAG 工具
- XML 标签格式注入：
<retrieved_documents>...</retrieved_documents>
- ContextVar 管理 (
context.py)：- 新建上下文变量模块，传递 db_session、user_id、session_id
- 工具执行时通过 ContextVar 获取数据库会话（避免全局依赖）
前端实现：
- 知识库选择器集成：
- 欢迎界面（
WelcomeScreen.tsx）：新增知识库选择下拉框 - 消息输入框（
MessageInput.tsx）：顶部显示知识库选择器 - RAG 提示框：选中知识库时显示蓝色提示"🔍 已启用知识库增强"
- 欢迎界面（
- 知识库 ID 传递：
- 前端 → API：
MessageCreate.kb_id（可选字段） - API → 后台任务：
_generate_and_push_response(kb_id) - 状态管理：
chatStore.pendingKbId暂存跨页面传递
- 前端 → API：
- 消息发送流程优化：
- 修复欢迎界面发送消息后不自动执行的问题
- 优化
selectSession和页面useEffect的协作逻辑 - 兜底机制：selectSession 优先处理（300ms），页面兜底（500ms）
数据存储优化：
- 工具调用结果 JSONB 存储 (
invocation.py)：- 字段类型：
Text→JSONB（支持高效查询和索引） - 数据迁移脚本：
migrate_tool_result_to_jsonb.py（处理旧数据格式转换） - 迁移结果：23/25 条记录成功，兼容新旧格式
- 字段类型：
- 工具执行状态智能判断 (
chat_service.py)：- 检查 MCP 协议层：
isError标志（工具执行异常） - 检查业务逻辑层：
success标志（检索失败、无结果等） - 自动设置
status="failed"和error_message - 确定类型：
chunk["result"]为Dict[str, Any]格式
- 检查 MCP 协议层：
UI/UX 优化：
- Token 显示组件改进 (
ContextProgress.tsx)：- 两行布局：数字 + "context window" 标签
- 悬停提示：显示详细的上下文使用说明
- 遵循业界标准：显示上下文窗口使用率（非总消耗）
- 颜色警告：< 70% 灰色，70-90% 黄色，> 90% 红色
性能数据：
- 检索速度：30-50ms（FAISS 内存索引 + GPU 重排序）
- 相似度计算：1024维向量余弦距离 < 5ms
- 跨语言检索：中文查询英文文档，Top-5 准确率 > 85%
核心改进：将文档处理改为真正的异步任务，上传接口立即返回（< 0.5秒），通过 WebSocket 实时推送状态和完整文档信息，前端采用局部更新策略提升用户体验。
后端优化：
- 异步任务架构 (
documents.py)：- 新增 ThreadPoolExecutor（4线程）+ 独立事件循环执行文档处理
- 上传接口立即返回 PROCESSING 状态，后台任务处理解析、分块、向量化
- 修复 BackgroundTasks 参数顺序问题，避免 FastAPI 验证错误
- WebSocket 推送增强 (
chat_ws.py)：- notify_document_status 新增 filesize、page_count、chunk_count、parent_chunk_count 参数
- 完成时推送完整文档信息，前端无需额外 API 调用
- 数据库会话管理 (
documents.py)：- 后台任务使用独立数据库 session（SESSION_LOCAL），避免与主请求 session 冲突
- 自动关闭 session，防止资源泄漏
- JWT 中间件优化 (
jwt_middleware.py)：- PUBLIC_PATHS 改用 set 数据结构（O(1) 查找效率）
- 新增 /api/v1/sso/auth/refresh 到公开路径，修复 token 刷新被拦截问题
- 新增调试日志记录 upload 请求
- 文档列表排序 (
knowledge_service.py)：- list_documents 查询添加 ORDER BY created_at DESC
- 新上传文档始终显示在列表最前面
前端优化：
- 局部状态更新 (
page.tsx)：- WebSocket 收到状态更新时，使用 setDocuments + map 局部修改对应文档
- 避免整个列表重新加载，消除闪烁
- 接收并更新文档详细信息（filesize、page_count、chunk_count）
- 乐观更新策略 (
page.tsx)：- 上传成功后立即在列表顶部添加新文档（状态 PROCESSING）
- 删除文档时直接从列表中过滤，无需重新加载
- 最小化 API 调用 (
page.tsx)：- 移除上传进度条状态（uploadProgress）
- 仅在 completed/failed 时刷新知识库统计信息
- processing 状态无需任何 API 调用
- 修复 Authorization header (
rag.ts)：- 移除 multipart/form-data 上传时手动设置的 Content-Type
- 让 axios 自动处理，避免覆盖 Authorization header
性能提升：
- 上传接口响应时间：4.6s → < 0.5s（提升 90%+）
- 列表刷新方式：整页重载 → 局部更新（0 次闪烁）
- API 调用次数：每次 2 个请求 → 仅完成时 1 个请求（减少 50%）
- 并发上传支持：串行阻塞 → 并发处理（线程池）
- 问题：用户登出后，Access Token 在过期前（60分钟）仍可使用
- 修复方案：实现 Access Token 与 Refresh Token 绑定机制
- Token 生成：在 Access Token（JWT）中存储
refresh_token_id - Token 验证：每次请求时检查绑定的 Refresh Token 是否存在
- 立即失效：删除 Refresh Token 后，Access Token 立即失效
- Token 生成：在 Access Token（JWT）中存储
- 中间件拦截：
- 验证失败时直接返回 401（不继续执行请求）
- Token 格式错误 → 401：无效的Token格式
- Token 缺少绑定 → 401：Token格式不支持（请重新登录）
- Refresh Token 失效 → 401：Token已失效（会话已结束）
- 系统错误 → 503：认证服务暂时不可用
- 前端优化：
- 修复 refresh token 失败时的死循环问题
- 失败时同步清除 localStorage 和 authStore
- 添加防重复跳转机制
- 影响：所有旧版本 Token（无
refresh_token_id）不再兼容，需重新登录 - 参考文档：详见本次修复的 commit 记录
- 核心框架：
- 基于 LangChain 构建完整 RAG 管道
- 文档加载器（Document Loaders）、文本分块器（Text Splitters）
- 向量存储（Vector Stores）、检索器（Retrievers）
- 数据模型：
KnowledgeBase：知识库管理（名称、描述、配置、统计）Document：文档元数据（标题、格式、状态、token数）DocumentChunk：统一父子块模型（支持 pgvector）
- 后端服务：
KnowledgeService：知识库 CRUD 和文档管理PDFParser：多格式文档解析（PyMuPDF/python-docx）VectorStore：FAISS 向量索引（内存 + 磁盘持久化）RetrievalService：两阶段检索链（召回+重排）BGEEmbeddings：BGE-M3 嵌入模型（GPU 加速）RerankerService：BGE-Reranker-V2-M3 重排序（GPU 加速）
- 前端界面：
- 知识库列表页（
/knowledge-bases） - 知识库详情页（
/knowledge-bases/[id]） - 文档上传和管理
- 实时处理状态显示（DOCUMENT_STATUS_UPDATE 事件）
- 知识库列表页（
- API端点：
/api/v1/rag/knowledge-bases：知识库 CRUD/api/v1/rag/documents：文档上传和管理
- 向量检索架构：
- FAISS 向量索引：内存检索 + 磁盘持久化
- PostgreSQL：元数据存储 + 向量备份（pgvector）
- 混合架构：快速检索 + 数据一致性
- 工具集成：
- RAGMCPServer 作为 MCP Tool 供 Agent 调用
- 支持语义搜索和多语言检索
- ChatGPT 风格界面：
- 新增欢迎页面（
WelcomeScreen）：大输入框 + 快速提示词 - 动态路由：
/chat（欢迎页）+/chat/[sessionId]（会话详情页） - 会话创建流程优化：输入后自动创建会话并跳转
- 新增欢迎页面（
- 用户体验提升：
- 新增用户头像菜单（
UserMenu）：头像、用户名、邮箱、退出登录 - 删除当前会话自动跳转欢迎页
- 访问不存在会话自动跳转欢迎页
- 平滑的页面过渡和路由切换
- 新增用户头像菜单（
- 动画效果：
- Token 使用圆形进度条平滑动画（
useAnimatedNumberHook） - 数值变化采用
easeOutCubic缓动函数 - 进度条更新时脉冲发光效果
- Token 使用圆形进度条平滑动画（
- 性能优化：
- ✅ 全局初始化优化：避免重复请求 models/sessions/knowledge-bases
- ✅ 知识库缓存到 store：只加载一次
- ✅ 切换会话不再重复初始化：从 ~15 个请求降至 0 个
- 页面切换速度提升 90%
- 实时推送：每次 LLM 调用完成时推送详细的 token 统计信息
- 输入/输出/总计 token 数量
- 调用序号和耗时
- 会话累计 token 数
- 上下文使用率百分比
- UI 实时更新：ContextProgress 组件实时显示本次调用的 token 使用量
- 圆形进度条动态更新（
2.3K / 32K context used） - 颜色根据使用率自动调整（灰色→橙色→红色）
- 平滑动画过渡效果
- 圆形进度条动态更新（
- 新增事件类型：
LLM_INVOCATION_COMPLETE(5000)
- 新增调用统计分析接口（
/api/analytics） - 实现 Token 使用追踪（InvocationLog 模型）
- 重构主键类型为整型，提升性能
- 优化 AI 模型调用记录
- 前端新增事件常量管理
- 改进错误处理和日志记录
- 新增会话自动摘要生成
- 实现上下文进度追踪
- 添加上下文管理字段（
context_window_size、context_usage_percentage） - 前端新增上下文进度组件（ContextProgress）
- 优化聊天服务的上下文处理
- 实现 Token 使用记录和统计
- 新增速率限制中间件
- 增强 Redis 客户端功能
- 优化 ADK Agent 和 LLM 适配器
- 改进 WebSocket 连接管理
- 新增系统提示词配置
- 创建完整的 README 文档
- 更新项目结构说明（project-structure.md）
- 添加技术栈详细说明
- 实现 Google ADK 集成
- 完整的 MCP 协议实现（JSON-RPC 2.0）
- 创建 ADK Agent 适配器
- 实现 ADK LLM 适配器（支持 Ollama/OpenAI）
- 新增 MCP 工具服务器和客户端
- 实现前端事件适配器
- 搭建 FastAPI + Next.js 基础架构
- 实现用户认证系统（JWT + bcrypt）
- 创建数据库模型（User、Session、Message、AIModel）
- 实现基础 AI 工具（Calculator、Weather、Search）
- 搭建 WebSocket 实时通信
- 配置 Docker 和 Alembic 数据库迁移
- 创建前端聊天界面和状态管理
- 编写项目结构和技术栈文档
欢迎贡献代码！请遵循以下步骤：
- Fork 项目
- 创建特性分支（
git checkout -b feature/AmazingFeature） - 提交更改（
git commit -m 'Add some AmazingFeature'） - 推送到分支（
git push origin feature/AmazingFeature） - 开启 Pull Request
本项目采用 MIT 许可证 - 详见 LICENSE 文件
- Google ADK - Agent Development Kit
- FastAPI - 现代化 Web 框架
- Next.js - React 框架
- Ollama - 本地 LLM 运行
- Model Context Protocol - 工具协议标准
Built with ❤️ using Google ADK and MCP