RAG_LearnLittleCode

<div align="center"> # ☁️ 云尚 · RAG LearnLittle **AI 驱动的个人知识管理助手 —— 让笔记拥有记忆，让对话理解一切**   `RAG` `Agent` `多模态` `FastAPI` `LangGraph` `React`         </div> --- ## 📖 项目简介 **云尚** 是一款基于 **RAG（检索增强生成）** 的 AI 智能笔记助手。它以你的笔记为知识库，支持 **ReAct / Plan-and-Execute 双 Agent 编排模式**（共享同一套工具集）、**深度思考**、**图片 / 视频多模态理解**，并提供笔记模板、回收站、邮件发送、Token 用量追踪等完整工具链 —— 从记录知识到提取知识，一站式完成。 > 🎯 定位：本地优先的私人知识助手。支持 DashScope（阿里云百炼）与 Ollama（完全本地）双模型提供商一键切换。 --- <div align="center"> <img src="docs/AiCharacter.png" alt="AiCharacter" width="800"/> </div> ## 🖼️ 界面预览 <div align="center"> <table> <tr> <td width="50%" align="center"><b>🗨️ AI 对话</b><br/><img src="docs/AiChat.png" alt="AI 对话" width="100%"/></td> <td width="50%" align="center"><b>🧠 深度思考 / 多模态</b><br/><img src="docs/DMT.png" alt="深度思考 / 多模态" width="100%"/></td> </tr> <tr> <td width="50%" align="center"><b>📓 笔记管理</b><br/><img src="docs/NoteImage.png" alt="笔记管理" width="100%"/></td> <td width="50%" align="center"><b>🗺️ Plan-and-Execute</b><br/><img src="docs/Plan-And-Excute.png" alt="Plan-and-Execute" width="100%"/></td> </tr> </table> </div> --- ## ⭐ 核心功能 | 模块 | 能力 | | :--- | :--- | | 🤖 **Agent 架构** | **ReAct**（逐步推理 + 工具调用）与 **Plan-and-Execute + Reflection反思机制**（L1 规则 + L2 LLM 分类器混合路由） | | 🧠 **深度思考** | 前端开关控制主模型思考模式（质量与延迟可权衡）；附件场景自动关闭（视觉模型理解附件）；Plan / 分类器由环境变量独立控制 | | 🖼️ **多模态理解** | 图片 / 视频附件上传（视频抽帧），视觉模型解答 | | 📚 **RAG 知识库** | ChromaDB 向量检索 + BM25 混合召回 + bge-reranker 重排序 + LLM 摘要 | | 🛠️ **Agent 工具层** | 9 组 **15 个内置工具** + **MCP 动态工具**（数量随配置变化，当前 Tavily 白名单 2 个 + Fetch 全量）：关键词路由按需加载 + 全量兜底；工具调用审计落库、邮件安全校验与限流 | | 🌐 **MCP 联网能力** | Tavily 联网搜索 / URL 内容提取 + Fetch 通用网页抓取（转 Markdown），白名单注册进 "mcp" 组，Server 故障自动降级跳过 | | 🗣️ **语音合成** | Edge TTS 朗读（MP3，按用户目录隔离），对话中直接"朗读 / 读给我听"触发 | | 📊 **PPT 生成** | 关键词触发的讲解 PPT 生成（python-pptx 本地渲染，无额外额度）+ PPT 模板管理 +可切换Aspose.Slides Cloud API| | 🌍 **外部 API 工具** | DeepL 高质量翻译 · Wolfram Alpha 精确计算 / 解方程 / 单位换算 | | 📓 **笔记系统** | Markdown 编辑器（双栏编辑预览 + 语法工具栏）+ **MD / TXT 文档类型**（新建可选，仅新建时可定）+ 笔记模板 + **AI 光标处内联补全（Tab 采纳）** + **AI 自动打标签（保存后后台生成）** + **AI 写作辅助（续写 / 扩写 / 摘要）** | | 🗂️ **分类管理** | 动态分类树（最多 3 级）：拖拽排序 / 移动 / 合并 / 软删除与回收站恢复（级联恢复祖先链），笔记按分类精确过滤 | | 🔍 **全局搜索** | 顶栏 Cmd/Ctrl+K 跨笔记 / 会话 / 知识库检索；笔记走 **MySQL 关键词搜索（FULLTEXT ngram 索引 + LIKE 兜底）**，零外部依赖 | | 💬 **对话卡片化** | AI 回复中的笔记搜索列表与用户引用的笔记均渲染为可点击卡片（悬浮反馈 + 全文预览弹窗） | | 🗑️ **回收站** | 笔记 / 分类双 Tab 回收站，14 天自动彻底清除（定时任务），单条与批量恢复 / 彻底删除 | | ✉️ **邮件功能** | QQ 邮箱注册验证，笔记以 Markdown / PDF 导出发送 | | 🗜️ **记忆压缩** | 滑动窗口 + 里程碑摘要 + Redis 热缓存的三级对话记忆管理，长对话不丢上下文 | | 💰 **Token 用量追踪** | model_trace 输出总线（log / db / langfuse）+ **前端「用量」面板**（调用数 / Token / 费用 / 平均延迟，按模型与阶段明细，支持今日 / 近 7 天 / 近 30 天） | | 🌐 **前端体验** | React 19 + Vite + Tailwind，i18n 国际化，暗 / 亮主题；**三栏式布局**（TopBar + 图标导航 + 分类树 / 列表 / 详情同屏）+ **AI 对话浮层**（480px 右侧滑入，唯一对话入口） | | ✅ **黄金评测器** | tests/eval 自动化评测 AI 对话质量（含安全用例） | --- ## 🏗️ 系统架构 <!-- ================================================================ 架构图预留区（请手动补充） 👉 将架构图放入 docs/ 目录后，复制下面的 <img> 标签替换占位块即可： <img src="docs/系统架构图.png" alt="系统架构图" width="85%"/> ================================================================= --> <div align="center"> <b><img src="docs/System_Architecture_Diagram.png" alt="系统架构图" width="85%"/></b> </div> - **后端**：FastAPI + SQLAlchemy(async) + MySQL + Redis（会话缓存 / 流式缓冲） - **Agent 编排**：LangChain / LangGraph，ReAct 与 Plan-and-Execute 双模式；ToolRegistry 统一管理 9 组内置工具 + MCP 动态工具，关键词路由按需加载 - **记忆**：滑动窗口 + 里程碑摘要 + Redis 热缓存的三级压缩 - **检索**：ChromaDB 向量库 + BM25 + CrossEncoder 重排序（BAAI/bge-reranker-v2-m3，AI 对话语义检索）；顶栏全局搜索走 **MySQL FULLTEXT（ngram 分词）+ LIKE 兜底**（启动时自动校验 Embedding 维度一致性） - **模型层**：DashScope（百炼）⇄ Ollama（本地）一键切换；Chat / Thinking / Embedding / Vision / Classifier / Plan 多模型组合 - **基础设施**：APScheduler 定时任务（回收站清理、孤儿附件清理）、Langfuse 可观测性 --- ## 🧰 技术栈 | 层 | 技术 | | :--- | :--- | | 前端 | React 19 · TypeScript · Vite · TailwindCSS · TipTap · Zustand · i18next | | 后端 | Python 3.10+ · FastAPI · uvicorn · APScheduler | | Agent | LangChain · LangGraph · langchain-openai（DashScope 兼容端点）· langchain-mcp-adapters（MCP 客户端）· Langfuse | | 外部服务 | DeepL 翻译 · Wolfram Alpha 计算 · Edge TTS 语音 · Tavily 联网搜索（MCP） | | 数据库 | MySQL 8 · Redis · ChromaDB（向量库）· rank-bm25（混合召回） | | 模型 | DashScope（qwen 系列）/ Ollama（本地）· sentence-transformers（CrossEncoder 重排序）· tiktoken（Token 估算）· imageio-ffmpeg（视频抽帧） | --- ## 🚀 快速开始 ### 环境要求 | 依赖 | 版本要求 | | :--- | :--- | | Python | ≥ 3.10 | | Node.js | ≥ 18 | | MySQL | 8.x（创建数据库 `raglearn`） | | Redis | 服务器 ≥ 6.x（Python 客户端为 `redis 5.x`） | | 模型 | 二选一：① 阿里云百炼 `DASHSCOPE_API_KEY` ② Ollama（本地模型） | ### 1️⃣ 配置后端 ```bash # 克隆项目（仓库名 RAG_LearnLittleCode，克隆目录同名） git clone https://github.com/qiaojoin586-droid/RAG_LearnLittleCode.git && cd RAG_LearnLittleCode # 创建虚拟环境并安装依赖 python -m venv .venv .venv\Scripts\activate # Windows source .venv/bin/activate # macOS / Linux pip install -r requirements.txt # 配置环境变量 copy .env.example .env # Windows cp .env.example .env # macOS / Linux ``` 编辑 `.env`，至少填写： ```ini # 模型提供商：dashscope（云）/ ollama（本地） MODEL_PROVIDER=dashscope DASHSCOPE_API_KEY=sk-xxxxxx # 数据库 MYSQL_USER=root MYSQL_PASSWORD=your_password MYSQL_DATABASE=raglearn # Redis REDIS_HOST=localhost REDIS_PORT=6379 # 邮件（可选，QQ 邮箱授权码，非登录密码；you_qq_email 替换为你的 QQ 邮箱） SMTP_USERNAME=you_qq_email SMTP_PASSWORD=your_smtp_auth_code ``` ### 📦 初始化数据库（首次运行） ```sql CREATE DATABASE raglearn CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci; ``` 其他关键配置项（完整清单见 `.env.example`，共 59 项）： | 配置项 | 说明 | 必填 | | :--- | :--- | :--- | | `VISION_MODEL` | 视觉模型（如 `qwen-vl-max`），**上传图片/视频附件时必须配置**，否则多模态不可用 | 附件场景必填 | | `CLASSIFIER_MODEL` / `PLAN_MODEL` | 轻量模型（L2 分类 / 计划生成），默认 `qwen3-flash`，留空自动回退主模型 | 否 | | `JWT_SECRET` | Token 签名密钥，**生产环境必须修改** | 生产必改 | | `HF_HUB_OFFLINE` | HuggingFace 离线模式，默认 `1`（阻止在线下载模型） | 否 | | `TRACE_SINK` | 模型调用 trace 通道（`log` / `db` / `langfuse`），默认 `log,db`；选 `langfuse` 需自行部署或注册 Langfuse 平台 | 否 | | `TAVILY_API_KEY` | Tavily 联网搜索（MCP）。未配置时运行 keyless 模式（搜索可用，crawl/map/research 不可用） | 否 | | `DEEPL_API_KEY` | DeepL 翻译工具，未配置时返回"未配置"提示 | 否 | | `WOLFRAM_APP_ID` | Wolfram Alpha 计算工具，未配置时返回"未配置"提示 | 否 | | `PPT_ENGINE` | PPT 生成引擎（`python_pptx` 本地 / `aspose` 云端），默认 `python_pptx`；`aspose` 需另配 `ASPOSE_CLIENT_ID` / `ASPOSE_CLIENT_SECRET` | 否 | > 🖥️ 选择 `MODEL_PROVIDER=ollama`（本地）时，需配置 `OLLAMA_BASE_URL`（默认 `http://localhost:11434`）、`OLLAMA_CHAT_MODEL`、`OLLAMA_EMBED_MODEL`，并确保本地已拉取对应模型；视觉附件还需 `OLLAMA_VISION_MODEL`。 ### 2️⃣ 启动后端 ```bash python main.py # 或 uvicorn main:app --reload ``` 服务启动后：API 文档 → `http://localhost:8000/docs`（默认端口 8000） ### 3️⃣ 启动前端 ```bash cd front npm install npm run dev ``` 浏览器访问 → `http://localhost:5173` ### 🧪 默认测试账号 | 用户名 | 密码 | 说明 | | :--- | :--- | :--- | | `admin` | `admin1234` | 仅 `APP_ENV != production` 时自动创建（或显式 `ENABLE_TEST_USER=true`） | > 💡 首次运行提示： > - **重排序模型首次下载**：`BAAI/bge-reranker-v2-m3`（约 1GB）需从 HuggingFace 下载。首次部署请临时设置 `HF_HUB_OFFLINE=0`，下载完成后可恢复离线模式 > - 切换 Embedding 模型后需**重建 ChromaDB 向量库**：运行 `python scripts/manual/migrate_embeddings_2560.py`（无损重嵌：读出原文 → 重建集合 → 重新嵌入）；服务启动时会自动检查向量库与 Embedding 模型维度是否一致，不一致会给出明确修复指引 > - 生产环境：`APP_ENV=production`、`JWT_SECRET` 必须为强随机值（启动强校验，公开默认值会拒绝启动）、`LOG_LEVEL=INFO`、`LOG_FORMAT=json`、`CORS_ORIGINS` 配置前端域名白名单（使用 `*` 时自动关闭凭据跨域） --- ## 🐳 生产部署（Docker Compose） ```bash cp .env.example .env # 配置全部环境变量（JWT_SECRET 必填强随机值） docker compose up -d --build # 前端 http://localhost/（nginx 反代 /api，SSE 已禁用缓冲） # 健康检查: GET /health（存活） /ready（就绪，含 MySQL/Redis 连通探测） /metrics（Prometheus） ``` 要点： - **数据库迁移**：启动时 `alembic upgrade head` 自动执行（空库建表 / 遗留库自动 stamp）。新增模型后生成迁移： ```bash .venv/Scripts/python.exe -m alembic revision --autogenerate -m "描述" .venv/Scripts/python.exe -m alembic upgrade head ``` - **重排序模型**：容器内需可访问本地模型缓存（默认 `HF_HUB_OFFLINE=1`）。把本机 `~/.cache/huggingface` 拷到 `./huggingface_cache/`（或设置 `HF_CACHE_DIR`），或在构建时 `docker build --build-arg PRELOAD_MODELS=true .`。缓存挂载到容器 `HF_HOME=/opt/hf-cache`（容器以非 root 运行，不能放在 `/root/.cache`） - **前端 nginx 模式**：默认 `front/nginx.conf`（强制 HTTPS，需 `./certs` 证书）。无域名/无证书阶段在 `.env` 设 `NGINX_CONF=nginx.http.conf` 改用纯 HTTP 配置，无需手改文件 - **端口**：`8000` 仅绑定宿主机 `127.0.0.1`（本机调试用），外部流量统一走前端 nginx（80/443） - **目录权限**：容器入口脚本 `scripts/docker-entrypoint.sh` 每次启动自动修正 `data`/`logs`/`media` 属主后降权为 appuser 运行，宿主机无需手工 `chown` - **国内构建加速**：在 `.env` 设置 `PIP_INDEX_URL` / `NPM_REGISTRY`（见 `.env.example` 的「Docker 部署」段） - **容器日志**：已配置轮转（单文件 10MB × 3），避免小磁盘服务器被日志写满 - **单进程部署**：多 worker/多实例前需先完成 Redis 化限流、scheduler 去重与 ChromaDB 多进程写冲突改造（见已知限制） - **监控**：`/metrics` 暴露 Prometheus 指标（HTTP 计数/耗时）；`/ready` 就绪探针检查后台初始化 + MySQL/Redis 连通性 > 服务器（宝塔 Linux / 2核2G / 无域名）完整部署步骤见 [`docs/宝塔Linux服务器Docker部署方案.md`](docs/宝塔Linux服务器Docker部署方案.md)。 --- ## 🔌 API 端点概览 所有业务路由统一前缀 `/api/v1`，完整交互文档见 Swagger → `http://localhost:8000/docs` | 模块 | 端点 | 说明 | | :--- | :--- | :--- | | 认证 | `POST /auth/register` · `POST /auth/login` · `POST /auth/send-code` | 注册（邮箱验证码）/ 登录 / 发送验证码 | | 对话 | `POST /chat/query` | **Agent 流式对话（SSE）**，ReAct / Plan-Execute 混合路由 | | 对话 | `POST /chat/rag` | RAG 检索问答 | | 对话 | `POST /chat/files` · `GET /chat/files/{id}` · `DELETE /chat/files/{file_id}` | 上传 / 预览 / 删除（未绑定）附件 | | 会话 | `GET /chat/sessions` · `DELETE /chat/sessions/{id}` · `GET /chat/{id}/messages` · `PUT /chat/{id}/title` | 会话管理（列表 / 删除 / 历史 / 改名） | | 笔记 | `GET/POST /note` · `GET/PUT/DELETE /note/{id}` | 笔记 CRUD | | 笔记 | `GET /note/recycle-bin` · `POST /note/{id}/restore` · `DELETE /note/{id}/permanent` | 回收站 | | 笔记 | `POST /note/search` · `POST /note/autocomplete` · `POST /note/write-assistant` | 语义搜索 / AI 补全 / 写作辅助 | | 知识库 | `POST /knowledge/upload`（SSE 进度）· `GET /knowledge/documents` | 文档上传与管理 | | 回顾 | `GET /review/today` · `POST /review/{id}/complete` · `POST /review/{id}/questions` · `GET /review/stats` | 艾宾浩斯回顾 + **AI 出题（LLM，6h 缓存）** | | 模板 | `GET/POST /note-template` · `PUT/DELETE /note-template/{id}` | 笔记模板 | | PPT | `GET /ppt/{file_id}` · `POST /ppt-template/upload` · `GET/DELETE /ppt-template` | 下载生成的 PPT / PPT 模板管理 | | TTS | `GET /tts/{file_id}` | 下载 TTS 生成的 MP3 音频 | | 用量 | `GET /usage/summary` | 模型调用用量与费用 | | 健康 | `GET /health` · `GET /ready` | 存活 / 就绪探针 | ### SSE 事件协议（`POST /chat/query`） 请求体字段：`message`（可空，为空时必须带 `attachment_ids`）· `session_id` · `enable_thinking` · `idempotency_key` · `attachment_ids` | 事件 | 说明 | | :--- | :--- | | `thinking` | 思考阶段提示（`stage`: rag / processing / attachment） | | `response` | 逐 token 回复内容 | | `tool_start` / `tool_end` | 工具调用开始 / 完成（含耗时） | | `tool_file` | 工具产出文件（PPT / TTS），含 `file_id` 与下载地址，用于渲染下载卡片 | | `plan_start` / `plan_step` / `plan_step_start` / `plan_step_end` / `plan_synthesize` / `plan_complete` | Plan-and-Execute 全流程事件 | | `plan_fallback` | Plan 执行失败，自动降级为 ReAct | | `error` | 错误信息（含超时） | | `done` | 流结束，含 `session_id`；RAG 命中时附 `sources`（引用来源，最多 3 条） | --- ## ⚙️ 配置说明 系统行为可通过 `config/` 下的 YAML 文件调优（无需改代码）： | 文件 | 作用 | 核心配置项 | | :--- | :--- | :--- | | `config/agent.yaml` | **Agent 行为配置**（系统核心） | 迭代上限、Plan-Execute 各阶段超时、L1 规则 + L2 LLM 分类、工具分组与关键词路由、MCP Server 配置（`mcp_servers` + 工具白名单）、Token 预算、记忆压缩阈值、邮件限流 | | `config/chroma.yaml` | 向量库配置 | 持久化目录、集合名、文本切片参数、重排序模型 | | `config/prompt.yaml` | 提示词模板配置 | 提示词加载相关 | | `config/pricing.yaml` | 模型定价种子 | 按 input / output token 单价计价（元 / 千 token），启动时 upsert 进 `model_pricing` 表 | `prompts/` 目录存放 12 个 Agent 提示词文件，可直接编辑调优，如 `main_prompt.txt`（主 Agent，已声明 MCP 与外部 API 工具的使用规则）、`plan_generation.txt`（计划生成）、`classify_complexity.txt`（L2 分类）、`rag_summarize.txt`（RAG 摘要）等。 --- ## 📁 项目结构 ``` RAG_LearnLittleCode/ # 本地目录名可自由修改 ├── main.py # FastAPI 入口（生命周期 / 中间件 / 路由注册） ├── app/ │ ├── core/ # 日志、异常处理、model_trace、scheduler │ ├── db/ # SQLAlchemy、Redis 客户端 │ ├── models/ # ORM 模型（用户 / 笔记 / 知识库 / 模板 / 工具审计） │ ├── rag/ # RAG 核心（向量库、检索、RagService、任务队列） │ ├── routers/ # API 路由（chat / note / user / knowledge ...） │ ├── services/ # 业务服务（笔记、邮件、用量、记忆压缩、模板） │ ├── ai_service/ # Agent 编排（ReAct / Plan-Execute / 工具注册表 / MCP 管理器 / 流式输出 / 中间件） │ ├── utils/ # 模型工厂、Prompt 加载、Token 估算 │ └── schemas/ # Pydantic 模型 ├── config/ # YAML 配置（agent / chroma / prompt / pricing） ├── front/ # React 19 + Vite 前端 ├── prompts/ # Agent 系统提示词（main / plan / classify 等 12 个） ├── templates/ # 邮件 HTML 模板 ├── data/ # ChromaDB 持久化 + 用户附件（运行时生成） ├── logs/ # 日志输出目录（运行时生成） ├── tests/eval/ # AI 对话黄金评测器 ├── docs/ # 架构图与升级设计方案 ├── .env.example # 环境变量模板（59 项，含完整注释） └── requirements.txt ``` --- ## ✅ 测试与评测 ### 后端冒烟测试（CI 可跑，无外部依赖） ```bash pip install -r requirements-dev.txt # 开发/测试依赖（生产依赖见 requirements.txt） python -m pytest tests/ -v # SSRF 守卫 / JWT 强校验 / MCP 包装等纯逻辑测试 ``` > 根目录旧调试脚本（`test_*.py` / `repro_tmp.py` 等）已移入 [scripts/manual/](scripts/manual/)，用途与处置建议见其 README；它们依赖真实 DB/LLM，不属于 CI 测试。 ### 前端测试与质量门禁（CI 同步执行） ```bash cd front npm run lint # eslint（typescript-eslint + react-hooks） npm test # vitest（SSE 解析器 / client 401 刷新） npm run build # tsc --noEmit + vite build（tsconfig 已开启 strict） ``` ### AI 对话黄金评测 内置 **AI 对话黄金评测器**：读取 `golden_cases.json`，逐条调用 `/chat/query`（SSE 流式），按关键词判定 PASS/FAIL，覆盖对话、RAG、笔记、安全注入等分类： ```bash .venv/Scripts/python.exe -X utf8 tests/eval/eval_runner.py [--base-url URL] [--interval 7] [--keep] ``` 报告输出至 `tests/eval/results/report_*.json`。 --- ## ⚠️ 已知限制 - **流式 Token 统计**：DashScope 兼容模式下流式响应的 usage 可能为 null，影响成本统计精度 - **多模态 + 深度思考**：视觉模型不支持思考模式，上传附件时自动走视觉模型，二者不可组合 - **工具按需加载**：`default_groups` 为全量加载兜底（关键词规则仅作加速），后续可改为纯按需加载以节省上下文窗口 - **MCP 依赖本机环境**：Tavily（npx）与 Fetch（uvx）MCP Server 需要 Node 环境与网络；任一 Server 连接失败自动降级跳过，不影响 Agent 主流程 - **邮件限流**：`send_email` 限流为进程内滑动窗口（10 封 / 小时 / 用户），多进程部署需迁移至 Redis - **回收站**：笔记回收站最长保留 14 天，由定时任务自动彻底删除 --- ## 🤝 开发指南 ### 代码风格 - **后端**：Python PEP 8，类与方法使用中文 docstring；按 `routers / services / models / schemas / rag / ai_service` 分层，新增能力先写 service 再挂路由 - **前端**：TypeScript 严格模式（`npm run build` 即 `tsc && vite build`，构建前必须通过类型检查）；函数式组件 + hooks + Zustand 状态管理 ### Git 约定 - 分支：`main` 为稳定基线，新功能在独立分支开发（如 `Agent`），验证通过后合入 - 提交信息：中文一句话描述改动内容与动机，重要改动附编号（如 P2-3） - 提交前运行 `python -m pytest tests/`、前端 `npm run lint && npm test && npm run build` 确认无回归（CI 会全量执行） ### 配置调参 - `config/agent.yaml` 是 Agent 行为中枢：工具分组、关键词路由、各阶段超时、Token 预算、记忆压缩阈值、邮件限流均可在此调整，修改后重启服务生效 - `prompts/*.txt` 提示词可直接编辑，无需改代码 - **新增内置工具**：在 `app/ai_service/agent_tools.py` 用 `@tool` 注册 → 加入 `config/agent.yaml` 的 `tool_groups` 与 `tool_routing.keyword_rules` → 用黄金评测器回归验证 - **新增 MCP 工具**：在 `config/agent.yaml` 的 `mcp_servers` 添加 Server 配置，用 `tools_include` 白名单过滤暴露的工具（自动注册进 "mcp" 组，随 `default_groups` 加载） --- ## 📚 文档 - 待添加 - [系统架构图](docs/System_Architecture_Diagram.png) --- ## 📄 License [MIT](LICENSE) © 2026 [Qoin](https://github.com/qiaojoin586-droid) 本项目基于 **MIT 协议**开源：允许自由使用、修改与分发，需保留版权声明。 > 🔗 仓库：[RAG_LearnLittleCode](https://github.com/qiaojoin586-droid/RAG_LearnLittleCode.git) · 📚 [更多设计文档](docs/)