📘 中文 | English
[2025/02/01] v0.4.0 版本发布
- 多智能体协同：Supervisor + Workers (RAG/Web/Graph/Stats/MCP) 并行执行
- 规则优先路由，本地宝可梦数据支持确定性回答（无需 LLM 调用）
- 新增 DeepDoc 文档解析器，支持 PDF/Word 等复杂格式
- 知识库工作台：批量导入、检索测试、分块管理
- 全新 Rotom-Dex OS 主题，支持暗黑模式
- 集成 CRAG、Self-RAG、HyDE 等高级 RAG 技术
- 并行子查询检索 + 自适应 Top-K
- SQLite 持久化嵌入缓存
- 统一 LLM 工厂函数，支持多 Provider 切换
- 修复 Agent 模式多个崩溃问题（tool_calls 检查、闭包绑定、竞态条件）
- 修复知识库搜索参数未生效、L2 距离显示错误
- 修复 Neo4j 无密码模式连接失败
- 修复 Milvus 稀疏向量兼容性
- 移除旧版 GraphRAG，替换为 LightRAG
- 前端重构，移除旧版组件
[2025/11/05] v0.3.0 版本发布
- 全面适配 LangChain/LangGraph v1 版本的特性，使用 create_agent 创建智能体入口
- 文档解析升级，适配 mineru-2.6 以及 mineru-api
- 更多智能体开发套件：中间件、子智能体，更简洁，更易上手
宝可梦（Pokémon）作为全球最具影响力的 IP 之一，拥有庞大的世界观设定与海量角色数据。在游戏、动画、卡牌、电影等多领域的多年积累下，其知识体系庞杂且高度结构化，非常适合应用于知识图谱建模与智能问答场景。
随着大语言模型（LLM）与知识增强技术的发展，将宝可梦宇宙构建为一个多模态、结构化、可交互的 AI 系统成为可能。本项目以 百度贴吧 与维基百科等数据源为基础，构建出覆盖宝可梦角色、属性、技能、地区、演化路径等元素的知识图谱，并结合大模型能力，打造一个专属宝可梦世界的智能对话助手 ——「可萌」。
在此基础上，我们融合了 LangGraph 推理流程编排、 LightRAG 检索增强技术，以及知识图谱可视化探索能力，使用户不仅可以通过自然语言提问获得精确答案，还能以图谱形式直观探索宝可梦世界。同时支持基于地理位置的地图定位功能，将宝可梦世界与真实世界坐标一一映射，实现 宝可梦地点知识的空间可视化 🌏 。
本项目致力于打造一个可迁移、可扩展、面向爱好者的专域智能助手模板系统，你可以轻松将其迁移至其他角色中打造专域的智能助手，仅需更换知识源与图谱结构，即可实现高质量的语义问答与可视化知识探索体验。
- LangChain & LangGraph: 重构为LangChain 1.x 与 LangGraph 1.0 多智能体编排对话助手
- LightRAG Integration: 支持 LightRAG 高效检索图谱构建
- Advanced RAG: 集成 Self-RAG、CRAG、HyDE 与 Query Decomposition 高级rag
- Agentic Memory: 具备用户偏好自适应的长时记忆能力与时间规划
- MCP Service: 支持 Model Context Protocol 连接真实世界地理数据
- Performance: 内置 Semantic Cache 与 Speculative RAG 加速生成
通过本项目的实施，我们不仅完成了vue3+fastapi的一个完整项目，同时构建了一个基于宝可梦知识图谱的智能问答系统。积累了语义结构建模如bert+tf-idf+规则匹配机制、以及图谱融合与生成式问答的丰富实践经验。系统支持对宝可梦的进化关系、属性克制、技能特征、地理分布等内容进行精准问答，极大提升了用户在交互式探索中的体验感。
架构核心：
- 混合检索: 向量检索 (Milvus) + 图谱检索 (Neo4j) + 关键词检索 (BM25)
- 智能体编排: LangGraph1.x 状态机管理复杂任务流
- 知识增强: GraphRAG 提取实体关系
以下是本项目的核心技术架构图：
- 基于爬取的数据微调了基于宝可梦的专域大模型——可萌 。
- 基于爬取数据构建了宝可梦知识图谱（维基百科）。
- 自动化标注训练NER数据，使用roberta+TF-IDF+规则匹配来命中图谱中的实体与属性。
- 使用FunASR来实现ASR功能（阿里达摩院开源语音识别）。
- 实现 MCP 服务，支持宝可梦世界与真实世界地理坐标的映射查询。
- 抽取RAGflow中的deepdoc来强化知识库的解析和抽取能力。
- 使用LangGraph实现多智能体协同（RAG + Search + Graph + MCP）。
- 封装agent 基类实现多智能体功能。
- 支持知识图谱搜索、网络搜索、知识库搜索、MCP搜索、语音搜索，可以同时集成也可以任选其一。
# 1. 克隆仓库
git clone https://github.com/skygazer42/pokemon-chat.git
cd pokemon-chat
# 2. 配置环境变量（后端统一从仓库根目录 `.env` 读取，Docker Compose 也会加载该文件）
cp .env.example .env
# 编辑 .env，填写 LLM API KEY（如 llm_api_key / SILICONFLOW_API_KEY）
# 可选：开启检索/工具能力（示例）
# enable_knowledge_graph=true # Neo4j 知识图谱
# enable_knowledge_base=true # Milvus 知识库
# enable_web_search=true # Web 搜索（需 tavily_api_key）
# enable_mcp=true # MCP（通常配合 `--profile infra --profile mcp`）
# 可选：开启语音识别（FunASR）-> enable_asr=true，funasr_url=ws://funasr:10095（Docker）
# 可选：限制 CORS 来源（生产环境建议）-> cors_allow_origins=http://localhost:3100
# 3. 启动服务
cd docker
# 默认仅启动 App（API + Web）。
docker compose up -d --build
# 可选：启动 Infra（Neo4j/MySQL/Milvus 等）+ 自动导入 Neo4j 图谱数据（neo4j-bootstrap）
# docker compose --profile infra up -d --build
# 可选：启动 MCP SSE 服务（需要 MySQL，因此通常与 infra 一起启用）
# docker compose --profile infra --profile mcp up -d --build
# 可选：启动语音识别（FunASR）
# docker compose --profile asr up -d --build访问：
- Web UI: http://localhost:3100/
- API 文档: http://localhost:5050/api/docs
当你使用 --profile infra 启动时，会自动导入 Neo4j 图谱数据，数据来源：
resources/data/kg_data/entities.jsonresources/data/kg_data/relations.json
可选：MySQL 地图数据导入（地图功能需要时再执行）。 由于环境差异较大，这一步不默认自动执行，避免影响“一键启动”。
cd docker
docker compose exec api python scripts/import_pokemon_map.py如果你想彻底清空数据（Neo4j/Milvus/MySQL 等）重新来一遍（需要你曾用 --profile infra 启动）：
cd docker
docker compose down
# 删除数据目录（Linux/macOS/WSL）
rm -rf volumes/neo4j/data volumes/neo4j/logs volumes/milvus volumes/mysql/data
docker compose --profile infra up -d --build
# Neo4j 图谱数据会由 neo4j-bootstrap 自动重新导入
Windows PowerShell：
cd docker
docker compose down
Remove-Item -Recurse -Force .\volumes\neo4j\data, .\volumes\neo4j\logs, .\volumes\milvus, .\volumes\mysql\data
docker compose --profile infra up -d --build
本项目遵循 MIT License，可自由用于商业或个人项目。二次开发请保留原作者与来源信息。