基于 LangGraph 多智能体与 GraphRAG 技术的宝可梦领域智能聊天助手，集成 Neo4j 知识图谱、Milvus 向量检索与多源混合检索，支持复杂关系推理与高精度问答。同时作为可迁移的专域知识库系统模板，可快速适配金融、政务等垂直领域。
项目简介#
可萌（Pokemon-Chat） 是一个面向宝可梦爱好者的专域智能问答系统，采用 LangGraph 多智能体编排架构与 GraphRAG 技术，解决通用大模型在垂直领域知识不足、幻觉频发的问题。同时提供完整的 Docker Compose 部署方案，可作为可迁移的专域知识库系统模板。
核心特性#
智能问答与检索#
- 知识图谱问答：基于 Neo4j 构建，支持进化路径、属性相克、技能池、地理分布等结构化关系查询
- 多源混合检索：融合 Milvus 向量检索、Neo4j 图谱检索与 BM25 关键词检索
- 高级 RAG 策略：Self-RAG/CRAG 自我反思与检索修正、HyDE 假设文档嵌入、Query Decomposition 复杂问题拆解、Reranker 重排序
- GraphRAG (LightRAG)：集成 HKU-DS LightRAG，增强图谱构建与检索能力
- 规则优先路由：对确定性数据（如种族值）直接规则返回，无需 LLM 调用
多智能体架构#
采用 Supervisor-Workers 模式：
- Supervisor Agent：意图识别与任务分发
- RAG Worker：处理文档与知识库检索
- Web Worker：Tavily 联网搜索
- Graph Worker：Neo4j Cypher 图谱查询
- Stats Worker：数值统计分析
- MCP Worker：外部工具与地图服务
知识处理能力#
- 领域模型：基于 Qwen2.5-14B-Instruct 微调的宝可梦领域模型（INT4 量化）
- 实体识别 (NER)：RoBERTa + TF-IDF + 规则匹配三重保障
- 文档解析：DeepDoc（源自 RAGflow），支持 PDF/Word 等复杂版面
- 知识库工作台：批量导入、分块管理、检索测试
交互与界面#
- Rotom-Dex OS 主题：高度还原宝可梦游戏风格 UI，支持暗黑模式
- 语音输入：集成阿里达摩院 FunASR 流式语音识别
- 地图可视化：MCP 服务支持宝可梦地理分布展示
- 图谱可视化：Neo4j 关系网络可视化展示
性能优化#
- Semantic Cache 语义缓存减少重复计算
- Speculative RAG 推测性加速
- SQLite 持久化对话状态与嵌入缓存
部署指南#
前置要求#
- Docker & Docker Compose
- Node.js ≥ 18（前端本地开发）
- Python ≥ 3.11（后端本地开发）
快速启动#
# 克隆仓库
git clone https://github.com/skygazer42/pokemon-chat.git
cd pokemon-chat
# 配置环境变量
cp .env.example .env
# 编辑 .env 填写 LLM API Key（如 SILICONFLOW_API_KEY）
# 启动核心服务
cd docker
docker compose up -d --build
# 启动完整基础设施（含 Neo4j/MySQL/Milvus）
docker compose --profile infra up -d --build
# 可选：启用 MCP 服务
docker compose --profile infra --profile mcp up -d --build
# 可选：启用语音服务
docker compose --profile infra --profile asr up -d --build
访问入口#
- Web UI：http://localhost:3100/
- API 文档：http://localhost:5050/api/docs
- Neo4j Browser：http://localhost:7474/
数据初始化#
使用 --profile infra 启动时，neo4j-bootstrap 容器自动导入知识图谱数据：
resources/data/kg_data/entities.jsonresources/data/kg_data/relations.json
地图功能数据导入：
docker compose exec api python scripts/import_pokemon_map.py
配置说明#
项目通过根目录 .env 文件统一管理配置，Docker Compose 自动读取。
关键功能开关#
| 配置项 | 说明 |
|---|---|
enable_knowledge_base | 启用 Milvus 向量检索 |
enable_knowledge_graph | 启用 Neo4j 图谱检索 |
enable_web_search | 启用 Tavily 联网搜索（需 tavily_api_key） |
enable_mcp | 启用 MCP 工具服务 |
enable_reranker | 启用重排序模型 |
enable_ner_bert | 启用本地 BERT NER |
enable_asr | 启用 FunASR 语音识别 |
allow_dangerous_graph_requests | 允许动态 Cypher（生产建议 false） |
模型配置#
- LLM：
llm_api_key、llm_api_base、llm_model_name、llm_temperature、llm_max_tokens - Embedding：
embedding_provider、embedding_api_key、embedding_model_name、embedding_dimension - Reranker：
reranker_model_name、reranker_top_k、reranker_threshold
数据库配置#
- Neo4j：
neo4j_uri（如 bolt://neo4j:7687）、neo4j_username、neo4j_password - Milvus：
milvus_uri（如 http://milvus:19530） - MySQL：
mysql_host、mysql_port、mysql_user、mysql_password、mysql_database
核心流程#
- 输入处理：语音/文本 → ASR (FunASR) → 文本 → NER 提取实体
- 意图路由：Supervisor Agent 分析意图，决策规则引擎直接回答或分发给各 Worker
- 检索执行：
- RAG Worker → 向量检索 + 重排
- Graph Worker → Neo4j Cypher 查询
- Web Worker → Tavily 搜索
- 生成汇总：各 Worker 结果汇总 → LLM 生成最终回复 → 前端渲染
扩展与迁移#
该项目架构设计支持快速迁移至其他垂直领域：
- 替换知识源数据（
entities.json、relations.json） - 调整 Neo4j 图谱 Schema
- 更新领域相关配置与提示词
- 可选：微调领域专属模型
适用场景：金融问答、法律咨询、政务服务等需要精确知识检索与关系推理的专域应用。