自建一个智能知识库和知识图谱 Agent 开发平台-开源Yuxi

自建一个智能知识库和知识图谱 Agent 开发平台-开源Yuxi

公司内部文档散落在十几个系统里，新人入职问个问题，老员工得翻三个平台才能拼出答案。

或者你自己攒了一堆PDF、笔记、技术文档，想找某句话的时候，全靠Ctrl+F硬搜。

RAG（检索增强生成）这个概念火了快两年了，但真正能落地的方案，要么太重，要么太糙。

直到我前两天刷GitHub，撞见了这个项目——语析（Yuxi）。

语析Yuxi是啥

语析是一个多租户的企业级智能知识库 + 智能体开发平台。

你把公司文档、技术资料丢进去，它帮你建好向量库和知识图谱，然后你用一个类ChatGPT的界面去提问，它不光能回答，还能告诉你答案是从哪份文档里来的，甚至能调用工具帮你跑代码、生成报告。

关键词：带引用来源、知识图谱推理、多智能体协作。

这三样凑一起，在开源项目里真不多见。

部署Docker一把梭 1.安装docker和docker compose

省略

2.一键安装命令

这点必须夸一下。

git clone --branch v0.7.1 --depth 1 https://github.com/xerrors/Yuxi.git
cd Yuxi
./scripts/init.sh
docker compose up --build

填写大模型的apikey

[root@test-node110 Yuxi]# sh ./scripts/init.sh
 Initializing Yuxi project...
==================================
 .env file not found. Let's set up your environment variables.


  SiliconFlow API Key required
Get your API key from: https://cloud.siliconflow.cn/i/Eo5yTHGJ
Please enter your SILICONFLOW_API_KEY: 

经过几分钟的跑码安装

四行命令，起来之后浏览器打开localhost:5173就能用。

技术栈是 Vue3 + FastAPI + PostgreSQL + Redis + MinIO + Milvus + Neo4j，组件不少，但Docker Compose全给你编排好了，不用自己一个个装。

对了，如果你只是想先跑起来看看，不需要知识图谱那些重依赖，它还提供了make up-lite轻量模式，冷启动快很多。这个细节挺贴心的。

三个优点① 不是单纯的RAG，它把知识图谱也塞进去了

大部分开源知识库方案，本质就是"切块→向量化→检索→拼Prompt"。语析在这个基础上，用Milvus做了知识库内的图谱关联。

这意味着什么？它能处理那种"A和B什么关系""这个概念的上游依赖是什么"之类的推理型问题，而不是只能做关键词匹配式的召回。

② 多智能体编排，基于LangGraph

底层用的是LangGraph做Agent编排，支持挂载Skills、MCP协议、子智能体、沙盒工具。

说白了，你配好的不只是一个"问答机器人"，而是一个能干活的智能体。比如让它查完资料之后直接跑段Python把结果画成图，这个链路是通的。

③ 多租户设计，真能当企业产品用

管理员后台配知识库、配模型、配权限，普通用户进来就是聊天界面。不是那种"开发者自己玩"的Demo，是真的能交给一个团队用的形态。

技术栈

用的啥

前端

Vue 3 + Vite + Pinia

后端

FastAPI + LangGraph + ARQ异步任务

存储

PostgreSQL / Redis / MinIO / Milvus / Neo4j

文档解析

MinerU + PaddleX + RapidOCR

部署

Docker Compose

文档解析这块用了MinerU和PaddleX，对中文PDF、扫描件的支持应该不错，比很多项目只靠一个unstructured硬解析要强。

适合谁用

适合谁：

• • 想给团队/公司搭内部知识库的中小团队

• • 想研究RAG+知识图谱+多Agent怎么结合的开发者

• • 不想从零造轮子，但需要一个能二次开发的底座

不太适合谁：

• • 只想个人存几条笔记的（杀鸡用牛刀了）

• • 完全没有Docker基础、也不想碰命令行的（目前还是偏开发者友好）

一个小遗憾：项目还在快速迭代期（当前v0.7.1），API和配置项可能还会调整。生产环境上之前，建议先跑一段时间观察稳定性。

最后

这个项目是MIT协议，完全开源。作者是个江南大学的博士生，研究方向就是AI Agent和知识图谱，能看出来是把自己课题的东西工程化了，不是那种"套壳换皮"的项目。

GitHub地址放这儿了，感兴趣的自己去翻：

github.com/xerrors/Yuxi

项目文档也写得挺全：xerrors.github.io/Yuxi