GeoAgent 项目

项目概述

GeoAgent 是一个基于Retrieval-Augmented Generation (RAG) 技术的地理信息问答系统，提供文档管理、向量数据库管理以及智能问答功能。

功能特性

• 文档管理：支持CSV、JSON、TXT格式文件的上传、下载和删除
• 向量数据库管理：支持创建、添加文件、删除和查询向量数据库
• 智能问答：基于RAG技术，结合向量检索和生成模型，提供准确的地理信息问答服务
• 多模型支持：支持多种嵌入模型和聊天模型，可根据需求灵活配置
• 对话记忆：支持多轮对话和会话管理
• MCP工具集成：支持外部工具调用

快速开始

1. 确保已安装Python 3.9+，建议版本 3.11
2. 克隆本项目：

   git clone https://github.com/Orangon/GeoAgent.git

3. 安装依赖：

   pip install -r requirements.txt

4. 通过命令行或者添加.env文件配置环境变量：

   export OPENAI_API_KEY=your_api_key
   export OPENAI_API_BASE=your_api_base
   export EMBEDDING_API_URL=your_embedding_api_url

5. 启动服务：

   python run.py

配置项详解

环境变量

• OPENAI_API_KEY: OpenAI API密钥（或兼容OpenAI API格式的密钥）
• OPENAI_API_BASE: OpenAI API基础URL
• EMBEDDING_API_URL: 嵌入模型API URL

模型配置（model.yaml文件，可扩展）

嵌入模型：

• llama3.3-70b-instruct
• llama3.1-70b-instruct
• text-embedding-v3

聊天模型：

• qwen-turbo
• deepseek-v3

API文档

数据库管理API

创建数据库

• 方法：POST
• 路径：/create_db
• 参数：
  • model_name: 嵌入模型名称
  • db_name: 数据库名称
  • files: 要上传的文件列表（可选）

添加文件到数据库

• 方法：POST
• 路径：/databases/add
• 参数：
  • db_name: 数据库名称
  • files: 要添加的文件列表

删除数据库

• 方法：DELETE
• 路径：/databases/{db_name}
• 参数：
  • db_name: 数据库名称

获取数据库列表

• 方法：GET
• 路径：/databases

文档管理API

上传文档

• 方法：POST
• 路径：/databases/add
• 参数：
  • files: 要上传的文件列表

下载文档

• 方法：GET
• 路径：/documents/download/{filename}
• 参数：
  • filename: 文件名

删除文档

• 方法：DELETE
• 路径：/documents/delete/{filename}
• 参数：
  • filename: 文件名

列出文档

• 方法：GET
• 路径：/documents

智能问答API

发起问答

• 方法：POST
• 路径：/ask
• 参数：
  • query: 用户查询
  • db_name: 数据库名称
  • embed_model_name: 嵌入模型名称（可选）
  • chat_model_name: 聊天模型名称（可选）
  • use_api: 是否使用API（可选，默认True）

多轮对话

• 方法：POST
• 路径：/chat
• 参数：
  • prompt: 系统提示词
  • query: 用户查询
  • session_id: 会话ID（可选）
  • chat_model_name: 聊天模型名称（可选）
  • use_memory: 是否使用记忆功能（可选，默认True）

获取会话列表

• 方法：GET
• 路径：/chat/sessions

删除会话

• 方法：DELETE
• 路径：/chat/sessions/{session_id}
• 参数：
  • session_id: 会话ID

项目结构

GeoAgent/
├── .gitignore
├── Dockerfile
├── GeoRAGApp.py  # 主应用程序入口文件
├── models.yaml  # 模型配置文件，定义了可用的嵌入模型和聊天模型
├── README.md
├── requirements.txt  # 依赖包列表
├── run_docker.sh  # 运行Docker容器的脚本
├── app/  # 应用程序主目录
│   ├── __init__.py
│   ├── dao/  # 数据访问层
│   │   ├── __init__.py
│   │   ├── DataBase.py  # 数据库操作
│   │   ├── FlexibleVectorDB.py  # 灵活的向量数据库实现
│   │   ├── LocalVectorDB.py  # 本地向量数据库实现(Ollama)
│   │   └── VectorDB.py  # 向量数据库抽象基类
│   ├── routers/  # API路由
│   │   ├── __init__.py
│   │   ├── chat.py  # 聊天相关路由
│   │   ├── databases.py  # 数据库管理路由
│   │   ├── documents.py  # 文档管理路由
│   │   ├── health.py  # 健康检查路由
│   │   └── models.py  # 模型管理路由
│   ├── services/  # 业务逻辑层
│   │   ├── __init__.py
│   │   ├── base_service.py  # 基础服务类
│   │   ├── chat_service.py  # 聊天服务
│   │   ├── database_service.py  # 数据库管理服务
│   │   ├── document_service.py  # 文档管理服务
│   │   ├── mcp_service.py  # MCP工具服务
│   │   ├── model_service.py  # 模型管理服务
│   │   └── rag_service.py  # RAG问答服务
│   └── utils/  # 工具类
│       ├── __init__.py
│       ├── config.py  # 配置管理
│       ├── dependencies.py  # 依赖注入
│       ├── exceptions.py  # 异常处理
│       ├── models.py  # 数据模型
│       └── response.py  # 响应格式化
└── database/  # 数据库存储目录
└── documents/  # 文档存储目录

服务架构说明

核心服务

DatabaseService (数据库管理服务)

负责向量数据库的创建、删除、查询和文件管理：

• 创建向量数据库
• 向已有数据库添加文件
• 删除数据库
• 获取数据库列表
• 管理已加载的向量数据库实例

DocumentService (文档管理服务)

负责文档的上传、下载和删除等管理功能：

• 获取文档列表
• 下载文档
• 删除文档
• 管理上传目录

RAGService (RAG问答服务)

负责RAG智能问答和纯对话功能：

• 基于向量数据库的智能问答
• 支持API和本地模型
• 支持多种聊天模型

ChatService (聊天服务)

负责聊天会话管理和对话记忆功能：

• 会话创建和管理
• 对话历史记录维护
• 会话清理机制
• 多轮对话支持

ModelService (模型管理服务)

负责管理嵌入模型和聊天模型：

• 获取可用模型列表
• 验证模型有效性
• 提供默认模型配置

MCPService (MCP工具服务)

负责MCP工具的初始化和管理：

• MCP工具加载
• 外部工具集成
• 工具调用支持

数据访问层 (DAO)

• VectorDB: 向量数据库抽象基类
• FlexibleVectorDB: 灵活的向量数据库实现
• LocalVectorDB: 本地向量数据库实现
• DataBase: 数据库操作接口

工具类

• config: 配置管理
• dependencies: 依赖注入
• exceptions: 异常处理
• models: 数据模型定义
• response: 响应格式化

技术栈

• Python 3.11
• FastAPI
• LangChain (langchain, langchain-chroma, langchain-openai等)
• 向量数据库：Chroma
• 嵌入模型：llama3.3-70b-instruct, llama3.1-70b-instruct, text-embedding-v3
• 聊天模型：qwen-turbo, deepseek-v3