小智 Agent

面向儿童教育、陪伴交流与家长辅助的智慧教育 Agent

基于 LangGraph 的双框架工作流，融合 ReAct、Plan-and-Execute、RAG、Memory 与 Skill 扩展能力

---

项目简介

小智不是一个只会直接给答案的聊天机器人，而是尝试按不同角色切换不同推理方式：

• education：优先走 Plan-and-Execute，更强调分步骤讲解、启发式教学和过程引导。
• companion：优先走多轮 ReAct，偏自然交流、轻陪伴和灵活回应。
• parent：同样走多轮 ReAct，但会启用家长侧技能，例如根据记忆生成孩子近期学习摘要。

当前仓库已经演进为 v1.6 的双框架架构，不再是早期单一路径的 ReAct 原型。

当前能力

• 双框架路由
  • 教育模式自动路由到 plan -> (tools?) -> execute
  • 陪伴 / 家长模式自动路由到多轮 reason -> tools -> observe -> respond
• 多模态输入
  • 支持纯文本、图片 URL、Base64 图片
• 本地 RAG
  • 从 KG/ 目录加载 .txt / .pdf
  • 使用 FAISS 建立本地向量索引
• 分层记忆
  • working / episodic / semantic / perceptual
  • 工作流内自动恢复上下文、写入长期记忆、执行遗忘/压缩
• 联网搜索
  • 通过 Tavily 处理时效性或联网问题
• Skill 扩展
  • 已内置 generate_parent_summary 家长侧摘要技能
• 流式前端
  • 根路径 / 内置 playground
  • 聊天接口通过 SSE 流式返回 delta
• LangSmith 可观测性
  • 可选开启 tracing

架构概览

顶层图会先做输入理解和记忆恢复，再按模式进入不同子图：

START
  -> understand
  -> state_update
  -> route_by_mode
      -> education  -> plan_execute subgraph
      -> companion  -> react subgraph
      -> parent     -> react subgraph
  -> memory_update
  -> response
  -> memory_compact
  -> END

两个核心子图：

education:
plan -> (retrieve_knowledge?) -> observe -> execute

companion / parent:
reason -> (tools -> observe -> reason)* -> respond

相关设计文档：

• Graph 架构
• RAG 架构
• Memory 架构

目录结构

XiaoZ/
├── app/
│   ├── agent/          # LangGraph 状态、节点、子图路由
│   ├── api/            # FastAPI 路由
│   ├── core/           # 配置、日志、LangSmith
│   ├── frontend/       # 内置 playground
│   ├── memory/         # 分层记忆系统
│   ├── prompts/        # 各节点 prompt
│   ├── rag/            # 本地知识检索与索引
│   ├── schemas/        # 请求 / 响应结构
│   ├── services/       # ChatService / ModelService
│   ├── skills/         # 技能插件系统
│   └── tools/          # RAG / Tavily / Memory 工具封装
├── docs/               # 架构文档与设计稿
├── tests/              # pytest 测试
├── .env.example        # 环境变量示例
└── requirements.txt    # Python 依赖

说明：

• KG/ 目录默认作为知识库目录；若不存在且 KG_AUTO_BOOTSTRAP=true，项目会自动创建最小示例语料。
• data/ 目录会在运行过程中按配置自动生成，用于保存记忆库和索引。
• 项目当前虚拟环境已按仓库约定放在 ./.venv。

技术栈

• LangGraph
• ReAct
• Plan-and-Execute
• FastAPI
• Pydantic v2
• FAISS
• langchain-openai
• LangSmith

快速开始

1. 安装依赖

如果你已经在仓库内配置好了 ./.venv，建议直接使用它：

source .venv/bin/activate
pip install -r requirements.txt

2. 配置 .env

项目会自动读取根目录下的 .env。可以基于 .env.example 复制一份：

cp .env.example .env

最小可运行配置如下：

LLM_BASE_URL=https://your-llm-endpoint
LLM_API_KEY=your_llm_api_key
LLM_MODEL=your_text_model

如果你需要更多能力，可以继续补充：

# 可选：视觉模型
vllm_base_url=https://your-vision-endpoint
vllm_api_key=your_vision_api_key
vllm_model=your_vision_model

# 可选：联网搜索
TAVILY_API_KEY=your_tavily_api_key
TAVILY_BASE_URL=https://api.tavily.com

# 可选：RAG embedding（当前 retriever 独立读取该 key）
RAG_embedding_model_key=your_rag_embedding_model_key

# 可选：LangSmith 追踪
LANGSMITH_TRACING=true
LANGSMITH_API_KEY=your_langsmith_api_key
LANGSMITH_PROJECT=XiaoZhi

3. 启动服务

python -m uvicorn app.main:app --host 127.0.0.1 --port 8000 --reload

其它

Education 模式

• 使用 PlanNode 先生成内部步骤
• 需要时调用 retrieve_knowledge
• 由 ExecuteNode 按计划生成讲解内容
• 更适合讲题、解释概念、循序渐进教学

Companion / Parent 模式

• 使用 ReasonNode 做多轮受控 ReAct 决策
• 最多迭代 3 轮
• 支持工具：
  • retrieve_knowledge
  • tavily_search
  • read_memory_bundle
• parent 模式额外启用：
  • generate_parent_summary

家长摘要技能

当家长提出这类请求时，模型会优先调用内置技能：

• “帮我总结一下孩子最近学了什么”
• “看看小明最近学习情况”
• “给我一份孩子近期进展摘要”

该技能会从记忆库读取 episodic / semantic 信息，并生成面向家长的总结文本。

RAG 与 Memory 说明

RAG

• 默认知识库目录：KG/
• 支持文件类型：.txt、.pdf
• 索引缓存目录：app/rag/data/rag_index/
• 当前 RAG embedding 依赖环境变量 RAG_embedding_model_key
• 如果 embedding 不可用，RAG 会降级为空结果，不阻塞主服务启动

Memory

• 默认记忆数据库路径：data/memory.sqlite3
• 默认索引目录：data/memory_index/
• 每轮会自动写入：
  • working
  • episodic
• 可选写入：
  • perceptual
• 启动时如果 MEMORY_RESET_ON_START=true，会清空现有记忆库

如果你希望保留历史记忆，务必在 .env 中显式设置：

MEMORY_RESET_ON_START=false

Support

如果这个项目对你有帮助，欢迎点一个 Star 支持一下。