AgnosticRag-Q

# AgnosticRag-Q **AgnosticRag-Q** 是一个云无关和LLM无关的**智能AI与检索增强生成（RAG）平台**，采用干净的模块化架构。它支持文本、CSV、图像、音频、企业应用程序（如**Odoo**）、混合搜索、多模态检索、智能路由和可配置的运行时行为。 它提供： - 一个**核心RAG API** - 一个智能路由层（**AgnosticRagRouter**） - 一个MCP集成层（**AgnosticRagMCP**） - 企业应用程序集成（Odoo、PostgreSQL和自定义MCP服务） - 一个GraphRAG层，结合Qdrant向量搜索和Neo4j知识图谱 - 以及一个**图形用户界面应用程序**，它消耗这些后端 允许您构建、扩展和部署可扩展的多后端AI系统，这些系统结合了私有知识库、企业应用程序和多个LLM提供商。 该项目故意设计为**提供商无关**，使得在不更改业务逻辑的情况下，在LLM提供商、嵌入模型、向量存储、企业连接器和检索策略之间轻松切换成为可能。 `AgnosticRagRouter`引入了一个智能AI编排层，它会自动为每个请求选择最合适的后端或企业服务。根据查询，它可以路由到文档集合（TXT、CSV、图像、音频）、GraphRAG、Odoo ERP、PostgreSQL或任何自定义MCP服务，使用可配置的路由策略和LLM辅助决策。 该平台设计用于**模块化部署**，其中多个RAG后端和企业服务独立运行。可以为文本、图像、音频、特定领域知识、Odoo ERP、数据库和自定义业务系统部署专用服务，而路由器会动态地将请求调度到最相关的目的地。 `AgnosticRagMCP`通过**模型上下文协议（MCP）**扩展了平台的功能，使与外部应用程序、企业系统和通信渠道的无缝集成成为可能。它支持诸如Telegram、WhatsApp、Microsoft Teams、Odoo、PostgreSQL、Google Drive和自定义企业MCP服务器等连接器，允许用户和业务应用程序通过统一的AI接口与RAG知识库和企业系统进行交互。 <table> <tr> <td align="center"> <b>完整的RAG与翻译</b><br> <a href="https://www.youtube.com/watch?v=GIbtlLuHlyg"> <img src="https://img.youtube.com/vi/GIbtlLuHlyg/maxresdefault.jpg" width="400"> </a> </td> <td align="center"> <b>完整的RAG与图像/ PDF</b><br> <a href="https://www.youtube.com/watch?v=aKKh4YvL17s"> <img src="./images/Main4.PNG" width="800" alt="完整的RAG与图像/ PDF"> </a> </td> </tr> <tr> <td align="center"> <b>完整的RAG与医疗数据CSV表格</b><br> <a href="https://www.youtube.com/watch?v=8koN_m8l39s"> <img src="https://img.youtube.com/vi/8koN_m8l39s/maxresdefault.jpg" width="800"> </a> </td> <td align="center"> <b>完整的RAG与图像：按图像或文本搜索</b><br> <a href="https://www.youtube.com/watch?v=BzggFYE44i8"> <img src="https://img.youtube.com/vi/BzggFYE44i8/maxresdefault.jpg" width="400"> </a> </td> </tr> <tr> <td align="center"> <b>视觉搜索AgnosticRAG</b><br> <a href="https://www.youtube.com/watch?v=-IU3sSE7fD8"> <img src="https://img.youtube.com/vi/-IU3sSE7fD8/maxresdefault.jpg" width="800"> </a> </td> <td align="center"> <b>在TXT和CSV中使用AgnosticRagRouter搜索</b><br> <a href="https://www.youtube.com/watch?v=fOU6PBjQch8"> <img src="https://img.youtube.com/vi/fOU6PBjQch8/maxresdefault.jpg" width="800"> </a> </td> </tr> <tr> <td align="center"> <b>AgnosticRagMCP Telegram</b><br> <a href="https://www.youtube.com/watch?v=ZF_NdOJTzfo"> <img src="https://img.youtube.com/vi/ZF_NdOJTzfo/maxresdefault.jpg" width="800"> </a> </td> <td align="center"> <b>AgnosticRagMCP MS Teams</b><br> <a href="https://www.youtube.com/watch?v=WLbRCGKRDdo"> <img src="https://img.youtube.com/vi/WLbRCGKRDdo/maxresdefault.jpg" width="800"> </a> </td> </tr> <tr> <td align="center"> <b>使用Qdrant + Neo4j的GraphRAG</b><br> <a href="https://www.youtube.com/watch?v=dbYoXbP0LSg"> <img src="https://img.youtube.com/vi/dbYoXbP0LSg/maxresdefault.jpg" width="800"> </a> </td> <td align="center"> <b>完整示例：Txt，CSV，图像，音频和图</b><br> <a href="https://www.youtube.com/watch?v=_LZ2YVS9wwI"> <img src="images/full_example_thumbnail.png" width="800"> </a> </td> </tr> </table> ## ✨ 主要亮点 - **核心多模态 RAG API**，采用清洁、可扩展的架构构建 - **配置驱动** `rag_settings.json`（模型、重排序、切分、提示），`graph_rag_settings.json`（允许的关系类型、图提取提示、实体/关系规则） - **AgnosticRagRouter**，基于智能 LLM 的后端路由和多后端编排 - **配置驱动 AgnosticRagRouter** `router_settings.json`（路由规则、后端、提示、重试、阈值） - **AgnosticRagMCP**，基于 MCP 的外部集成层（Odoo、PostgreSQL、Telegram、WhatsApp、MS Teams、Google Drive、外部企业工具和驱动） - **配置驱动 AgnosticRagMCP** `mcp_settings.json`（whatsapp、telegram、microsoft_teams） - **企业 AI 集成**，与 Odoo ERP、PostgreSQL 和自定义 MCP 服务等业务系统集成 - **可插拔的 LLM 提供商**（本地和远程）：（OpenAI、Gemini、Ollama、Hugging Face Transformers 和本地模型） - **水平可扩展**（云 /本地） - **基于 Redis** 的对话历史记录（app_id / user_id / session_id） - **基于 Qdrant** 的向量搜索，支持多种数据源选项 - **Qdrant 混合搜索**，BM25（稀疏）+ Dense embeddings - **GraphRAG**，使用 **Qdrant + Neo4j** 进行混合语义和基于关系的检索 - **重写提示**，创建独立的检索查询，从（最终查询 + 简短历史） - **灵活的摄入**，支持 CSV（表格字段提取）、TXT（基于段落的切分）、PDF、图像和音频（语音） - **多向量图像/ PDF 检索**，使用 **ColQwen / ColPali** - **可选的 Muvera 固定维编码（FDE）**，用于快速图像检索 - **支持多模态查询**：文本、图像、音频、文本+图像、文本+音频 - **音频搜索**，使用 Whisper + CLAP 与 Qdrant/Neo4j - **音频查询支持**，通过上传音频文件或文本搜索 - **混合音频转录搜索**，BM25（稀疏）+ Dense embeddings - **内置缓存系统**： - 内存 **引擎缓存**（避免重载沉重的模型） - **媒体/查询结果缓存**，可选用于图像和音频查询 - 可配置的缓存限制和 TTL，用于性能调优 - **基于 Docker 的模块化部署**： - 运行单独的 RAG 后端，每个模态（文本/图像/音频/CSV） - 每个后端连接到其自己的集合或配置 - 路由器动态调度查询到最佳后端 - UI 可以动态选择目标后端（例如，文本、图像、音频、路由器） - 可扩展、隔离且适用于生产的架构 - **用于快速测试的简单 UI**，使用核心 API / AgnosticRagRouter 作为其后端 --- - **重写提示** ```bash 用户查询 ↓ 加载 Redis 最近的 N 条记录（例如 2-3 条） ↓ 重写 LLM（提示之上） ↓ 重写的查询 ↓ 嵌入 ↓ Qdrant ``` - **重写提示 + GraphRAG 检索** ```bash 用户查询 ↓ 加载 Redis 最近的 N 条记录（例如 2-3 条） ↓ 重写 LLM ↓ 重写的查询 ↓ 嵌入 ↓ Qdrant 语义搜索 ↓ （可选）Neo4j 图搜索 ↓ 合并语义 + 图结果 ↓ LLM 答案 ``` --- - **配置驱动** `rag_settings.json`（模型、重排序、切分、提示） ```bash { "api_base_url": "http://localhost:8000", "qdrant_url": "http://localhost:6333", "collection_prefix": "ManyImages-", "collection_name": "ManyImages-__vidore_colpali-v1.3__multivector_image__dim128__muvera", "enable_neo4j_with_qdrant": false, "graph_store_provider": "neo4j", "topk_retrieve": 10, "topk_use": 5, "enable_rerank": false, "text_group_lines": 1, "txt_chunk_chars": 900, "txt_overlap": 120, "batch_size": 64, "is_paragraph_enable": false, "paragraph_end_str": "", "include_marker": false, "marker_contains": false, "enable_structured_csv_lookup": false, "enable_exact_filter_first": false, "enable_qdrant_hybrid_search_csv": false, "use_qdrant_hybrid_search_csv": false, "enable_muvera_for_multi_vector_image": true, "use_muvera_for_multi_vector_image": false, "send_images_to_final_chat_for_multi_vector_image": true, "docs_dir": "rag_data\\my_csvs\\docs", "rerank_prompt_template": "You are a retrieval re-ranker.\nGiven a user question and a list of candidate contexts, select the most relevant items.\nRules:\n- Choose exactly {choose_k} distinct indices.\n- Prefer contexts that directly contain facts needed to answer.\n- Avoid redundant/duplicate contexts.\n- Output ONLY valid JSON, no extra text.\n\nReturn JSON format:\n{{\n \"selected_indices\": [0, 2, 5],\n \"reasons\": [\"short reason 1\", \"short reason 2\", \"short reason 3\"]\n}}\n\nQuestion:\n{query}\n\nCandidates:\n{candidates}", "answer_prompt_template": "You are an assistant that answers strictly from retrieved context.\n\nIMPORTANT RULES:\n- Use ONLY the information in the Context.\n- First, check if there is an EXACT match to the Question (all provided key=value pairs) in a single Context row.\n- If there is an exact match:\n - Output ONLY the value of Initial_ActivityDenialCode from that row.\n- If there is NO exact match but Context is not empty:\n - Output:\n Closest match (not exact).\n - List differing fields (requested vs found).\n - Then output ONLY the value of Initial_ActivityDenialCode from the closest-match row (the highest score row).\n- If Context is empty:\n - Reply exactly: \"I don't know based on the provided context.\"\n- Do NOT add any other text.\n\nContext:\n{context}\n\nQuestion:\n{query}\n\nAnswer:", "answer_prompt_template_image": " You are an assistant that answers the user's question based on retrieved image(s) and recent conversation history.\n \n The retrieved images are provided as attachments alongside this prompt.\n\n Rules:\n - For questions about the images, answer using the visual content of the attached images.\n - For meta-questions about the conversation (e.g. \\\"what did I just ask?\\\"), answer from the Conversation history below.\n - If the images do not contain enough information to answer, reply exactly: \\\"I don't know based on the retrieved images.\\\"\n - Keep the answer clear and concise.\\n\\nConversation history (most recent last):\n {history}\n \n Retrieved image references (for traceability):\n {context}\n \n Question: {query}\n \n Answer:", "answer_prompt_template_audio": "You are an assistant that answers using BOTH the retrieved context and the recent conversation history.\n\nIMPORTANT RULES:\n- Prefer the Context for factual answers.\n- Use History only for continuity (follow-ups, pronouns).\n- DO NOT repeat the question.\n- DO NOT hallucinate or add information not present in the Context.\n- If the answer is not found in Context, reply exactly:\n \"I don't know based on the provided context.\"\n\nOUTPUT FORMAT (STRICT):\n\n1) First: provide a clean and concise answer.\n2) Then: append the section EXACTLY as shown below.\n\nAssistant:\n<final answer>\n\nSelected Context:\n<context exactly as provided below, DO NOT modify, DO NOT summarize, DO NOT reorder>\n\n---\n\nHistory (last turns):\n{history}\n\nContext:\n{context}\n\nQuestion: {query}\n\nAnswer:", "translate_prompt_template": "You are a translation engine.\n\n Task:\n - Translate the user text into natural English.\n Rules:\n - Output ONLY the English translation.\n - No explanations, no quotes, no extra text.\n - Keep proper nouns, IDs, emails, URLs, and numbers unchanged.\n - If the text is already English, output it unchanged.\n\n User text:\n {text}", "rewrite_prompt_template": "You are a query rewriting assistant for a retrieval-augmented generation (RAG) system.\n\nYour job is to rewrite the user's current message into a single, clear, standalone search query\nthat can be used to retrieve documents from a vector database.\n\nRules:\n- Use the conversation only to resolve references (e.g. \"it\", \"that\", \"the second one\").\n- Do NOT introduce new topics.\n- Do NOT answer the user.\n- Do NOT include chatty or conversational text.\n- Output ONLY the rewritten search query.\n- If the user query is already clear and standalone, return it unchanged.\n\nRecent conversation:\n{history}\n\nCurrent user question:\n{query}\n\nRewrite this into one concise standalone retrieval query.", "enable_auto_translate": false, "enable_rewrite": false, "embedding_model": "vidore/colqwen2-v1.0", "main_model": "gpt-4o-mini", "translate_model": "qwen3:1.7b", "rewrite_model": "gpt-4o-mini", "main_provider": "openai", "embedding_provider": "colqwen", "translate_provider": "ollama", "rewrite_provider": "openai", "transformer_device": "cpu", "transformer_trust_remote_code": true, "transformer_local_files_only": false, "transformer_embedding_trust_remote_code": false, "transformer_embedding_local_files_only": false, "transformer_embedding_backend": "auto", "transformer_embedding_normalize": true, "transformer_embedding_max_length": 512, "transformer_embedding_prompt_prefix": "query: ", "transformer_embedding_model_path": "", "transformer_chat_backend": "causal", "transformer_chat_model_path": "", "transformer_chat_prompt": "{joined}", "transformer_max_new_tokens": 128, "transformer_temperature": 0.0, "transformer_top_p": 0.9, "transformer_do_sample": false, "transformer_system_prompt": "", "transformer_max_input_length": 2048, "audio_clap_enable": false, "enable_text_transcript_audio_one_search_qdrant": false, "audio_clap_model": "laion/clap-htsat-unfused", "audio_transcript_embedding_provider": "transformer", "audio_transcript_embedding_model": "intfloat/multilingual-e5-small", "whisper_language": "en", "whisper_beam_size": 5, "whisper_vad_filter": false, "whisper_vad_threshold": 0.5, "whisper_word_timestamps": false, "whisper_device": "cpu", "whisper_compute_type": "int8", "audio_target_sr": 48000, "audio_whisper_sr": 16000, "silero_min_silence_ms": 250, "silero_speech_pad_ms": 150, "silero_threshold": 0.4, "silero_window_samples": 512, "audio_min_chunk_seconds": 1.2, "audio_max_chunk_seconds": 20.0, "audio_merge_gap_ms": 300, "env_path": "keys.env", "redis_url": "redis://localhost:6381", "redis_store": "redis_store", "redis_prefix": "rag", "app_id": "rag_api1", "session_id": "defaault1", "user_id": "local_user1", "history_turns": 5, "history_rewrite_turns": 2, "history_max_turns": 2000, "history_ttl_seconds": 604800 } --- - **配置驱动 AgnosticRagRouter** `router_settings.json`（路由、后端、提示、重试、阈值）```json { "router_provider": "openai", "router_model": "gpt-4o-mini", "router_temperature": 0.0, "router_prompt": "You are a routing agent. Choose the best RAG backend for the user query.", "routing_mode": "rules_then_llm", "fallback_backend": "eyad_asil", "allow_multi_backend": false, "confidence_threshold": 0.6, "llm_call_timeout_seconds": 60.0, "llm_call_retries": 1, "backend_call_timeout_seconds": 180.0, "backend_call_retries": 1, "env_path": "keys.env", "transformer_device": "cuda", "transformer_trust_remote_code": true, "transformer_local_files_only": false, "transformer_chat_backend": "", "transformer_chat_model_path": "", "transformer_chat_prompt": "{joined}", "transformer_max_new_tokens": 256, "transformer_temperature": 0.0, "transformer_top_p": 0.9, "transformer_do_sample": false, "transformer_system_prompt": "", "transformer_max_input_length": 2048, "openai_api_key": "", "gemini_api_key": "", "backends": [ { "name": "medical_csv", "title": "Medical CSV RAG", "url": "http://localhost:8002", "query_path": "/query", "index_path": "/index/build", "description": "Use for medical CSV questions, claims, claim denial codes, diseases, treatments, medicines, patient/insurance/medical table lookups.", "source_type": "csv", "docs_dir": "rag_data/my_csvs/docs", "source_files": [ "claims_300.csv" ], "collection_prefix": "medical_csv", "enabled": true, "rules": { "keywords_any": [ "medical", "https://github.com/ayush-rajvansh/Medical-CSV-RAG", "url": "http://localhost:8001", "query_path": "/query", "index_path": "/index/build", "description": "Use for questions about Eyad, Asil, family/private TXT knowledge, children info, personal notes in Asil_Eyad.txt.", "source_type": "txt", "docs_dir": "rag_data/my_csvs/docs", "source_files": [ "Asil_Eyad.txt" ], "collection_prefix": "eyad_asil", "enabled": true, "rules": { "keywords_any": [ "eyad", "asil", "إياد", "اياد", "أسيل", "اسيل", "لجين", "lujain", "family", "child", "children", "عائلة", "طفل", "أطفال" ] }, "query_stream_path": "/query_stream" } ], "routing_function_schema": "{\n \"function\": \"query_<backend_name>_rag\",\n \"arguments\": {\"query\": \"original user query\"},\n \"backend_name\": \"backend_name\",\n \"confidence\": 0.0,\n \"reason\": \"short reason\"\n}", "routing_rules_prompt": "- Choose medical_csv for medical CSV claims, denial codes, patient/insurance/medical table questions.\n- Choose eyad_asil for Eyad/Asil/private TXT family information.\n- If uncertain, choose the closest backend with low confidence.\n- Keep the original user query unchanged in arguments.query.", "routing_prompt_template": "{router_prompt}\n\nYou are routing a user query to exactly one AgnosticRAG backend.\nReturn ONLY valid JSON. Do not use markdown. Do not add explanations outside JSON.\n\nAvailable tools/functions:\n{backend_tools}\n\nAvailable backend descriptions:\n{backend_descriptions}\n\nRequired JSON schema:\n{function_schema}\n\nRules:\n{routing_rules}\n\nUser query:\n{query}\n", "stream_media_type": "text/event-stream", "cors_allowed_origins": [ "http://localhost:4200", "http://127.0.0.1:4200" ], "cors_allowed_methods": [ "GET", "POST", "OPTIONS" ], "cors_allowed_headers": [ "*" ] } ``` --- ## 🧠 架构概述 ``` GUI（Web / Desktop） ↓ AgnosticRagMCP（可选） ├── Telegram ├── WhatsApp ├── MS Teams ├── Google Drive └── 外部工具/驱动 ↓ AgnosticRagRouter（可选） ↓ 核心 RAG API（FastAPI） ↓ RAG 引擎 ├── LLM 提供商（Transformers，vLLM（Later），Ollama，OpenAI，Gemini，...） ├── 向量存储（Qdrant） ├── 图存储（Neo4j） └── 数据源（Txt，CSV，图像，音频（语音）） ``` - **核心 API**：处理检索、嵌入、GraphRAG、提示构造、历史记录、重排序、缓存和推理。 - **AgnosticRagRouter**：基于智能 LLM 的后端选择和多后端编排。 - **AgnosticRagMCP**：基于 MCP 的外部集成层，用于 Telegram、WhatsApp、MS Teams、Google Drive、企业连接器和外部 AI 工具/驱动。 - **GUI（桌面/网络）**：与核心 API 或路由器通信的薄客户端，用于快速测试和配置生成。 - **LLM 提供商**：动态选择可交换的提供商。 - **Qdrant**：用于密集、稀疏、多模态和多向量检索的混合向量数据库。 - **Neo4j**：用于实体关系、GraphRAG 检索和多跳推理的知识图数据库。 --- ## 🚀 核心 RAG API 核心 RAG API 负责： - 查询理解 - 从 Qdrant 和 Neo4j 检索上下文 - 混合搜索（密集 + BM25） - GraphRAG 检索和多跳推理 - 提示构造 - LLM 推理 - 对话历史记录管理 - 查询重写和重排序 - 多模态检索（文本、图像、音频） 它可以被使用： - 直接作为 FastAPI 后端 - 作为提供的 GUI 应用程序的后端 - 作为自定义企业应用程序的基础 - 作为多 RAG 和 GraphRAG 部署的可扩展后端 --- ## 🧠 AgnosticRagRouter `AgnosticRagRouter` 是用于多后端 RAG 系统的智能路由层。 它负责： - 基于 LLM 的后端选择 - 跨多个 RAG 后端的查询路由 - 多域编排 - 动态后端调度 - 类似 Agent 的路由工作流 - 可配置的路由策略和重试逻辑 示例： - 文本 RAG 后端 - CSV / 医疗 RAG 后端 - 图像 RAG 后端 - 音频 / 语音 RAG 后端 路由器可以根据用户查询自动选择最相关的后端。 --- ## 🔌 AgnosticRagMCP `AgnosticRagMCP` 是基于 MCP 的外部集成层。 它使外部系统和消息平台能够与 AgnosticRagRouter 和核心 RAG API 通信。 支持/计划中的集成： - Telegram 机器人 - WhatsApp 机器人 - MS Teams 机器人 - Google Drive 工具 - 企业连接器和驱动程序 - 外部 AI 工具 - MCP 工作流编排 示例流程： Telegram / WhatsApp / MS Teams 用户 ↓ AgnosticRagMCP ↓ AgnosticRagRouter ↓ 选定的 RAG 后端 ↓ Qdrant 搜索 + Neo4j 图搜索 ↓ 合并语义 + 图上下文 ↓ LLM ↓ 回复用户 ## 🖥️ 图形用户界面（快速测试） 图形用户界面建立在核心 API 之上，提供： - 交互式聊天界面 - 历史记录感知的对话 - 轻松切换 RAG 配置 - 运行时配置生成 - 多后端测试支持 图形用户界面**不包含 RAG 逻辑**；它严格使用核心 API，这将帮助管理员和开发人员快速设置部署配置。 --- ## 🔌 大型语言模型提供商 ### 当前 / 支持 - **Ollama**（本地） - **Transformer**（本地） - **OpenAI**（远程） - **Gemini**（远程） - **ColPali**（多向量图像检索）（本地） - **ColQwen**（多向量图像检索）（本地） - **Whisper**（语音 / 音频转录）（本地） ### 嵌入 / 检索支持 - 稠密嵌入 - BM25 稀疏嵌入 - 混合搜索 - 多向量检索 - CLAP 音频嵌入 - Muvera FDE 加速图像检索 --- ## 🔮 即将到来的功能 - **Transformers 提供商和 vLLM 提供商** - 本地执行 - Hugging Face 模型支持 - Transformers：Windows / Linux，可选 GPU - vLLM：最适合 Ubuntu / Linux 生产环境 - **PostgreSQL 数据源** - 将关系数据索引到 **Qdrant** - 实现结构化数据集上的 RAG --- ## 📦 向量存储 - **Qdrant** 用作主要向量数据库 - **Neo4j** 用作 GraphRAG 的知识图谱数据库 - 支持： **Qdrant** - 稠密向量搜索 - 元数据过滤 - 多集合设置 - Qdrant-混合搜索：BM25（稀疏）+ 稠密嵌入 **Neo4j** - 实体和关系存储 - 图遍历和关系发现 - 多跳检索 - GraphRAG 上下文增强 - 关系感知搜索 --- ## 🛠️ 配置 系统通过以下方式配置： - 环境变量 - 配置文件 - 提供商特定设置 这允许您： - 切换 LLM 提供商 - 更改聊天、嵌入、翻译和重写模型 - 开关重写提示逻辑 - 选择数据源 --- ### 使用 Docker 启动 Qdrant、Redis 和 RedisInsight `docker-compose.yml` 启动所有服务 ```bat docker compose up -d ``` 停止所有服务 ```bat docker compose down ``` --- ## 🌐 网址 - **Swagger UI**：http://localhost:8000/docs - **Qdrant 仪表盘**：http://localhost:6333/dashboard - **Neo4j 浏览器**：http://localhost:7474/browser/ - **RedisInsight**：http://localhost:5540/ --- ## ⚙️ 设置 API ``` GET http://localhost:8000/settings POST http://localhost:8000/settings ``` --- ## 📥 索引数据 ``` POST http://localhost:8000/index/build { } ``` --- ## 📡 Qdrant 状态 ``` GET http://localhost:8000/ping/qdrant GET http://localhost:8000/ping/qdrantWithInfo ``` --- ## ❓ 查询流 API ``` POST http://localhost:8000/query_stream { "query": "谁在这里，父亲？", "user_id": "local_user88777" } ``` ## ❓ 查询 API ``` POST http://localhost:8000/query { "query": "谁在这里，父亲？", "user_id": "local_user88777" } ``` --- ## GUI 窗口 #### 主窗口：搜索 txt 文件  --- #### 主窗口：搜索 csv 文件表格  --- #### 主窗口：通过文本查询搜索图像  --- #### 主窗口：通过图像查询搜索图像  --- #### 主窗口：通过文本 / 音频文件查询搜索音频（语音）  --- #### 主窗口：使用 AgnosticRagRouter 在 TXT 和 CSV 中搜索  --- #### 结果窗口  --- #### 日志窗口  --- #### 历史记录窗口  --- #### 设置窗口  --- #### 设置窗口  --- #### Qdrant 集合  --- #### Redis 数据  --- #### Swagger  --- #### Telegram  --- ## 📄 许可证 MIT 许可证 © 2026 Mohammed & Manaf https://www.linkedin.com/in/mohammedkadi/ https://www.linkedin.com/in/m-manaf-mahfouz-pmi-cpmai%C2%AE-2614b48/