StruckFlow

结构化多智能体对话应用 —— 基于 LangChain + LangGraph 的多 Agent 协作框架，实现任务分配、资料搜索、任务执行、总结验证的完整工作流。

项目架构

StruckFlow/
├── LangChain/              # Python 后端核心
│   ├── agents/             # 多 Agent 工作流（LangGraph 状态图）
│   ├── comparison/         # 模型对比评测
│   ├── framework/          # 配置、LLM 构建、工具函数
│   ├── memory/             # 共享记忆存储（语义/关键词/标签检索）
│   ├── metrics/            # 性能指标记录
│   ├── protocol/           # SemanticObject 三层协议（G2CP）
│   ├── tools/              # SearXNG 网络搜索工具
│   ├── test/               # CUDA / SearXNG 测试
│   ├── main.py             # CLI 交互入口
│   └── .env.example        # 环境变量模板
├── web/
│   ├── flask/              # Flask REST API 后端
│   └── vue/                # Vue 3 + Element Plus 前端
└── packaging/              # openEuler RPM 打包与部署脚本

核心特性

• 多 Agent 协作：任务分配 → 资料搜索 → 任务执行 → 总结验证，四 Agent 状态图驱动
• G2CP 协议：Control / Semantic / Precise 三层结构，零 token 路由 + 精确执行
• 共享记忆：语义向量检索 + 关键词匹配 + 标签过滤，跨会话知识积累
• 模型对比：内置文本评测模式，支持多模型横向对比

前置要求

依赖	版本	说明
Python	>= 3.11	后端运行时
Node.js	>= 18	前端构建
PyTorch	>= 2.1	Embedding 模型推理
SearXNG	-	网络搜索（可选）

快速开始

1. 克隆项目

git clone https://github.com/Aloe-Becone/StruckFlow && cd StruckFlow

2. 配置环境变量

cp LangChain/.env.example LangChain/.env
vim LangChain/.env

必须配置以下项：

# LLM API（二选一或同时配置）
OPENAI_API_KEY=你的API_KEY
OPENAI_BASE_URL=实际API地址
OPENAI_MODEL=gpt-5.5

DEEPSEEK_API_KEY=你的API_KEY
DEEPSEEK_BASE_URL=实际API地址
DEEPSEEK_MODEL=deepseek-v4-flash

# 本地 Embedding 模型路径（必须）
EMBEDDING_MODEL_PATH=/path/to/your/embedding/model

重要：项目使用 sentence-transformers 加载本地 Embedding 模型（默认 Qwen 系列），你需要自行下载模型到本地，并将 EMBEDDING_MODEL_PATH 指向模型目录。详见下方 Embedding 模型部署。

3. 安装 Python 依赖

python3 -m venv .venv
source .venv/bin/activate
pip install -r LangChain/requirements.txt

4. 构建前端

cd web/vue
npm install
npm run build
cd ../..

5. 运行

# CLI 交互模式
source .venv/bin/activate
python LangChain/main.py

# Flask API 服务
python web/flask/app.py

# 前端开发服务器
cd web/vue && npm run dev

Embedding 模型部署

项目的共享记忆功能依赖本地 Embedding 向量模型进行语义检索。你需要：

下载模型

推荐使用 Qwen 系列 Embedding 模型（项目默认适配）：

# 方式一：从 HuggingFace 下载
git lfs install
git clone https://huggingface.co/Qwen/Qwen3-Embedding-0.6B ./models/Qwen3-Embedding-0.6B

# 方式二：从 ModelScope 下载（国内更快）
pip install modelscope
modelscope download --model Qwen/Qwen3-Embedding-0.6B --local_dir ./models/Qwen3-Embedding-0.6B

配置 .env

将 EMBEDDING_MODEL_PATH 指向下载的模型目录：

EMBEDDING_MODEL_PATH=models/Qwen3-Embedding-0.6B
EMBEDDING_BATCH_SIZE=8
EMBEDDING_NORMALIZE=true
EMBEDDING_SHOW_PROGRESS=false

GPU 加速（可选）

如有 NVIDIA GPU，安装 CUDA 版 PyTorch 可显著加速向量计算：

pip install torch --index-url https://download.pytorch.org/whl/cu121

验证 CUDA 可用：

python LangChain/test/test-cuda.py

openEuler 部署

项目提供完整的 openEuler 24.03-LTS-SP3 RPM 打包方案，详见 packaging/README-packaging.md。

快速部署：

# 一键部署（生产模式）
sudo bash packaging/setup-openeuler.sh --prod

# 或构建 RPM 包
bash packaging/build-rpm.sh
sudo dnf install -y ./packaging/struckflow-*.rpm

许可证

MIT License