本项目是一个基于多智能体（Multi-Agent）架构的文档智能处理平台，支持 PDF 文档解析、问答、摘要、写作、翻译、ESG 合规性校验等多种任务，适用于企业级知识管理与自动化办公场景。

• 🤖 多智能体协作优势：
  • 多智能体流水线：不是单一模型直接问答，而是多个专职 Agent 依次协作，每一步都可独立处理（如检索、问答、摘要、写作、翻译、合规校验等），流程更细致、可扩展。
  • 可追溯多步结果：每个 Agent 的输出都可保留，便于溯源和多角度分析，而普通问答系统通常只返回最终答案。
  • 支持多任务复合处理：不仅能问答，还能自动生成摘要、商业文案、翻译、合规性检测等，功能远超一般知识问答。
  • 易于扩展：你可以很方便地插拔、重组 Agent，定制自己的文档智能处理流程。
  • 结构化输出：最终结果是结构化的 dict，可用于前端展示、自动化流程等。
  • 🧠 多轮对话记忆：系统基于 InMemorySaver 实现对话上下文的自动保存和调用，支持多轮问答不丢失上下文。
• 📄 PDF 文档解析：自动批量读取 documents/ 目录下的 PDF 文件，提取文本并嵌入向量数据库。
• 🔍 向量检索：基于 FAISS 和 Sentence Transformers 实现高效语义检索，向量库文件保存在 data/ 目录。
• 💬 智能问答与摘要：支持基于文档内容的智能问答和自动摘要。
• ✍️ 自动写作与翻译：可根据摘要自动生成商业介绍，并支持中英文互译。
• ✅ ESG 合规性校验：自动检测文本是否符合 ESG 可持续发展原则。

main.py                  # 主流程入口
requirements.txt         # 依赖包列表
agents/                  # 各智能体模块
api/                     # 独立API接口（如qa_api）
core/                    # 向量库、缓存、模型API等核心工具
data/                    # 向量库文件（vector.index, metadata.pkl）等持久化数据
ui/                      # 可选：前端或接口层
tests/                   # 各 agent 的单元测试
documents/               # PDF 文档存放目录
prompts/                 # 提示词相关内容

1. 安装依赖（需 Python 3.8+）：

   pip install -r requirements.txt

2. 准备文档

   • 将待处理的 PDF 文件放入 documents/ 目录。

3. 命令行模式运行主程序

   python main.py

   • 首次运行会自动解析 PDF 并构建向量库。
   • 控制台支持多轮问答。

4. Web UI 模式（推荐）

   streamlit run ui/app.py

   • 浏览器会自动弹出问答界面，输入问题即可获得答案。

5. 后端 API 服务模式

   uvicorn api.qa_api:app --reload --port 8000

   • 启动后访问 http://localhost:8000/docs 查看接口文档。
   • 主要接口：
     • POST /qa 传入 JSON：{"input": "你的问题", "template": "default"}，返回问答结果。
     • GET /ping 健康检查。

• Python 3.8+
• faiss-cpu
• sentence-transformers
• pypdf
• pdfplumber
• pymupdf
• langgraph
• langgraph-checkpoint # 用于多轮对话记忆
• langchain-core

所有 agent 和核心模块均配有基础单元测试：

• tests/agents/ 目录：各 agent 的测试类
• tests/core/ 目录：核心模块（如 cache、logger、vectordb、gemini_client）的测试类

运行所有 agent 测试：

python -m unittest discover -s tests/agents

运行所有核心模块测试：

python -m unittest discover -s tests/core

你也可以单独运行某个测试文件，例如：

python -m unittest tests/agents/test_weather_agent.py
python -m unittest tests/core/test_cache.py

1. 构建镜像：

   docker build -t multi-agent-docs .

2. 运行容器（Web UI 默认 8501 端口）：

   docker run -it --rm -p 8501:8501 \
     -v $PWD/documents:/app/documents \
     --env-file .env \
     multi-agent-docs

   • 可通过挂载 documents 目录和 .env 文件实现数据与配置持久化。
   • 访问 http://localhost:8501 即可使用 Web 问答界面。

3. 命令行模式：

   docker run -it --rm \
     -v $PWD/documents:/app/documents \
     --env-file .env \
     multi-agent-docs \
     python main.py

• 欢迎提交 issue 和 PR。
• 本项目采用 MIT 许可证。

• 支持真实大模型 API 接入
• 增加 Web UI
• 集成 MCP（Multi-agent Collaboration Protocol）机制
• 集成 ACA（Agent Communication Architecture）等主流多智能体框架
• 产品级端到端能力
• 引入 React Agent 架构（Agent根据反馈动态调整）
• Tool Registry + Agent 自选工具机制
• 加入 Memory 模块（跨任务持久上下文）
• 引入 DAG 调度器（支持任务流编排）
• 添加 Planner Agent（任务规划器）

• LangChain 官方文档
• LangGraph 官方文档
• FAISS 官方文档
• Sentence Transformers
• PyPDF
• pdfplumber
• PyMuPDF (fitz)
• Streamlit
• FastAPI
• Uvicorn
• Docker 官方文档

• ReAct: Synergizing Reasoning and Acting in Language Models
• Auto-GPT: An Autonomous GPT-4 Experiment
• LangChain 多智能体协作机制详解（知乎）
• 向量数据库入门与实战（知乎）
• Document AI: Google Cloud Blog
• A Survey of Large Language Models
• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
• MCP: Multi-agent Collaboration Protocol (arXiv)
• Toolformer: Language Models Can Teach Themselves to Use Tools (arXiv)
• ACA: Agent Communication Architecture (arXiv)

• Prompt Engineering Guide
• Prompt Engineering for Large Language Models (arXiv)
• A Survey of Prompt Engineering (arXiv)
• How to Prompt LLMs (OpenAI Cookbook)