Lab Assistant

实验室智能助手 —— 基于 RAG + 多 Agent 的知识问答系统

一个面向实验室场景的 AI Agent 项目，集成 RAG 知识检索、Planner/Executor 多 Agent 深度问答、自动 Memory 压缩、代码助手和多用户协作对话。

✨ 功能特性

功能	说明
RAG 知识检索	上传 .txt / .md 文档，自动切块向量化存入 Milvus，问答时语义检索增强回答
多 Agent 深度问答	Planner → Executor → Supervisor 三层 Agent 架构，对复杂问题进行规划-执行-再规划闭环
自动 Memory	单 session 对话轮数超过阈值（默认 8 轮）时，自动调用 LLM 对历史进行摘要压缩，注入上下文窗口
代码助手	专属代码模式，支持代码生成、解释、调试，代码块语法高亮 + 一键复制
多用户协作	创建/加入共享房间（6 位房间码），多人实时共享同一 session，AI 回复 SSE 广播给所有成员

🏗️ 技术栈

• 后端: Spring Boot 3.2 + Java 17
• AI 框架: Spring AI 1.1 + Spring AI Alibaba 1.1.0.0-RC2
• Agent: ReactAgent + SupervisorAgent（Spring AI Alibaba Agent Framework）
• 大模型: 阿里云 DashScope（qwen3-max 对话 / text-embedding-v4 向量化）
• 向量数据库: Milvus 2.4
• 前端: 原生 HTML/CSS/JS + marked.js + highlight.js

📁 项目结构

lab-assistant/
├── src/main/java/org/example/
│   ├── agent/tool/
│   │   ├── DateTimeTools.java        # 时间工具
│   │   ├── InternalDocsTools.java    # RAG 文档检索工具
│   │   └── CodeTools.java            # 代码生成/解释/调试工具
│   ├── service/
│   │   ├── ChatService.java          # ReactAgent 对话编排
│   │   ├── LabAgentService.java      # Planner+Executor 多 Agent
│   │   ├── MemoryService.java        # 自动历史摘要
│   │   ├── SharedSessionService.java # 多用户协作 Session
│   │   ├── RagService.java           # RAG 流式问答
│   │   ├── VectorIndexService.java   # 文档切块 + 向量入库
│   │   ├── VectorSearchService.java  # 向量相似度检索
│   │   └── VectorEmbeddingService.java # 文本向量化
│   └── controller/
│       ├── ChatController.java       # 主 API 控制器
│       └── FileUploadController.java # 文件上传
├── src/main/resources/
│   ├── application.yml               # 配置文件
│   ├── application-example.yml       # 配置示例
│   └── static/                       # 前端静态资源
├── docker-compose.yml                # Milvus 向量数据库
└── pom.xml

🚀 快速开始

前置条件

• Java 17+
• Maven 3.8+
• Docker & Docker Compose
• 阿里云 DashScope API Key（申请地址）

1. 克隆项目

git clone https://github.com/deepbule0/lab-assistant.git
cd lab-assistant

2. 启动向量数据库

docker-compose up -d

等待 Milvus 启动完成（约 30 秒），可访问 http://localhost:8000 查看 Attu 管理界面。

3. 配置 API Key

# Linux / macOS
export DASHSCOPE_API_KEY=sk-your-dashscope-api-key

# Windows PowerShell
$env:DASHSCOPE_API_KEY="sk-your-dashscope-api-key"

# Windows CMD
set DASHSCOPE_API_KEY=sk-your-dashscope-api-key

或复制配置示例并修改：

cp src/main/resources/application-example.yml src/main/resources/application-local.yml
# 编辑 application-local.yml，填入 api-key

4. 启动应用

mvn spring-boot:run

访问 http://localhost:9901

📖 使用指南

上传知识文档

点击输入框左侧 ··· → 上传文件，支持 .txt / .md 格式。文件会自动切块（800字/块，100字重叠）并向量化存入 Milvus。

对话模式

顶部切换三种模式：

• 普通对话 — ReactAgent + RAG，适合日常问答
• 多 Agent — Planner/Executor 深度分析，适合复杂问题
• 代码助手 — 专注代码生成、解释、调试

Memory 自动压缩

底部状态栏显示当前对话轮数。超过 8 轮后自动触发摘要，历史被压缩为摘要注入上下文，状态栏显示「已启用 Memory 摘要」。

多用户协作

1. 点击右上角 创建房间 → 获得 6 位房间码
2. 分享房间码给其他人
3. 其他人点击 加入房间 → 输入房间码和昵称
4. 所有成员共享同一对话历史，AI 回复实时广播

🔌 API 接口

方法	路径	说明
POST	/api/chat_stream	普通流式对话（SSE）
POST	/api/agent_stream	多 Agent 流式对话（SSE）
POST	/api/chat/clear	清空会话历史
GET	/api/chat/session/{id}	获取会话信息（含 Memory 状态）
POST	/api/upload	上传文档到知识库
POST	/api/shared/create	创建共享房间
POST	/api/shared/join	加入共享房间
GET	/api/shared/stream/{code}	订阅共享房间 SSE
POST	/api/shared/send	向共享房间发送消息

请求示例

# 普通对话
curl -X POST http://localhost:9901/api/chat_stream \
  -H "Content-Type: application/json" \
  -d '{"Id":"session-1","Question":"介绍一下 RAG 技术"}'

# 创建共享房间
curl -X POST http://localhost:9901/api/shared/create

⚙️ 配置说明

配置项	默认值	说明
server.port	9901	服务端口
rag.top-k	3	RAG 检索返回文档数
rag.model	qwen3-max	RAG 使用的对话模型
memory.threshold	8	触发自动摘要的对话轮数
document.chunk.max-size	800	文档切块最大字符数
document.chunk.overlap	100	切块重叠字符数
milvus.host	localhost	Milvus 地址
milvus.port	19530	Milvus 端口

🤝 贡献

欢迎提交 Issue 和 Pull Request。

1. Fork 本仓库
2. 创建特性分支 git checkout -b feature/your-feature
3. 提交更改 git commit -m 'Add some feature'
4. 推送分支 git push origin feature/your-feature
5. 提交 Pull Request

📄 License

MIT License