企业级智能对话和运维助手，支持 RAG 知识库问答和 AIOps 智能诊断
- 🤖 智能对话 - LangChain 多轮对话 + 流式输出
- 📚 RAG 问答 - 向量检索增强，支持文档上传、自动建立向量索引、自动更新知识库
- 🔧 AIOps 诊断 - Plan-Execute-Replan 自动故障诊断和根因分析
- 🌐 Web 界面 - 现代化 UI，支持多种对话模式：快速问答/流式对话
- 🔌 MCP 集成 - 日志查询和监控数据工具接入
- 框架: FastAPI + LangChain + LangGraph
- LLM: 阿里云 DashScope (通义千问)
- 向量库: Milvus
- 工具协议: MCP (Model Context Protocol)
- Python 3.10+
- 阿里云 DashScope API Key (获取地址)
# 1. 克隆项目
git clone <repository_url>
cd super_biz_agent_py
# 2. 安装依赖（推荐使用 uv）
# 方式 1: 使用 uv（推荐，更快）
pip install uv
uv venv
source .venv/bin/activate
uv pip install -e .
# 方式 2: 使用 pip
pip install -e .
# 3. 编辑配置文件
# 首次使用需要编辑 .env 文件，填入你的 DASHSCOPE_API_KEY
vim .env # 或使用其他编辑器
# 4. 一键初始化（启动 Docker + 服务 + 上传文档）
make init
# 5. 一键启动
make start如果Windows 不支持 make 命令，可以手动执行以下步骤以启动服务：
# 1. 克隆项目
git clone <repository_url>
cd super_biz_agent_py
# 2. 创建虚拟环境并安装依赖
# 方式 1: 使用 uv（推荐，更快）
pip install uv
# 创建虚拟环境
uv venv
# 激活虚拟环境
.venv\Scripts\activate
# 安装所有依赖
uv pip install -e .
# 方式 2: 使用 pip
python -m venv .venv
.venv\Scripts\activate
pip install -e .
# 3. 编辑配置文件
# 使用记事本或其他编辑器打开 .env 文件，填入你的 DASHSCOPE_API_KEY
notepad .env
# 4. 启动 Docker Desktop
# 确保 Docker Desktop 已安装并正在运行
# 5. 启动 Milvus 向量数据库（Docker Compose）
docker compose -f vector-database.yml up -d
# 6. 等待 Milvus 启动完成（约 5-10 秒）
timeout /t 10
# 7. 启动 MCP 服务
# 启动 CLS 日志查询服务（新开一个 PowerShell 窗口）
python mcp_servers/cls_server.py
# 启动 Monitor 监控服务（新开一个 PowerShell 窗口）
python mcp_servers/monitor_server.py
# 8. 启动 FastAPI 主服务（新开一个 PowerShell 窗口）
# 注意：日志会自动输出到 logs\app_YYYY-MM-DD.log
python -m uvicorn app.main:app --host 0.0.0.0 --port 9900
# 9. 上传文档到向量库（新开一个 PowerShell 窗口）
# 等待服务启动完成后执行
timeout /t 5
python -c "import requests, os, time; [requests.post('http://localhost:9900/api/upload', files={'file': open(f'aiops-docs/{f}', 'rb')}) or time.sleep(1) for f in os.listdir('aiops-docs') if f.endswith('.md')]"Windows 一键启动脚本（推荐）
使用启动脚本：
# 启动所有服务
.\start-windows.bat
# 停止所有服务
.\stop-windows.bat- Web 界面: http://localhost:9900
- API 文档: http://localhost:9900/docs
| 功能 | 方法 | 路径 | 说明 |
|---|---|---|---|
| 普通对话 | POST | /api/chat |
一次性返回 |
| 流式对话 | POST | /api/chat_stream |
SSE 流式输出 |
| AIOps 诊断 | POST | /api/aiops |
自动故障诊断（流式） |
| 文件上传 | POST | /api/upload |
上传并索引文档 |
| 健康检查 | GET | /api/health |
服务状态检查 |
# 普通对话
curl -X POST "http://localhost:9900/api/chat" \
-H "Content-Type: application/json" \
-d '{"Id":"session-123","Question":"你好"}'
# 流式对话
curl -X POST "http://localhost:9900/api/chat_stream" \
-H "Content-Type: application/json" \
-d '{"Id":"session-123","Question":"你好"}' \
--no-buffer
# AIOps 诊断
curl -X POST "http://localhost:9900/api/aiops" \
-H "Content-Type: application/json" \
-d '{"session_id":"session-123"}' \
--no-buffersuper_biz_agent_py/
├── app/ # 应用核心
│ ├── __init__.py # 包初始化（自动加载日志配置）
│ ├── main.py # FastAPI 应用入口
│ ├── config.py # 配置管理（环境变量、MCP 服务器配置）
│ ├── api/ # API 路由层
│ │ ├── __init__.py
│ │ ├── chat.py # 对话接口（RAG 聊天）
│ │ ├── aiops.py # AIOps 接口（故障诊断）
│ │ ├── file.py # 文件管理（文档上传）
│ │ └── health.py # 健康检查（服务状态）
│ ├── services/ # 业务服务层
│ │ ├── __init__.py
│ │ ├── rag_agent_service.py # RAG Agent（LangGraph 状态图）
│ │ ├── aiops_service.py # AIOps 服务（计划-执行-重规划）
│ │ ├── vector_store_manager.py # 向量存储管理器
│ │ ├── vector_embedding_service.py # 向量embedding服务
│ │ ├── vector_index_service.py # 向量索引服务
│ │ ├── vector_search_service.py # 向量检索服务
│ │ └── document_splitter_service.py # 文档分割服务
│ ├── agent/ # Agent 模块
│ │ ├── __init__.py
│ │ ├── mcp_client.py # MCP 客户端（工具调用）
│ │ └── aiops/ # AIOps 核心逻辑
│ │ ├── __init__.py
│ │ ├── planner.py # 计划制定器
│ │ ├── executor.py # 步骤执行器
│ │ ├── replanner.py # 重规划器
│ │ ├── state.py # 状态定义
│ │ └── utils.py # 工具函数
│ ├── models/ # 数据模型层
│ │ ├── __init__.py
│ │ ├── aiops.py # AIOps 模型
│ │ ├── document.py # 文档模型
│ │ ├── request.py # 请求模型
│ │ └── response.py # 响应模型
│ ├── tools/ # Agent 工具集
│ │ ├── __init__.py
│ │ ├── knowledge_tool.py # 知识库查询工具
│ │ └── time_tool.py # 时间工具
│ ├── core/ # 核心组件
│ │ ├── __init__.py
│ │ ├── llm_factory.py # LLM 工厂（模型管理）
│ │ └── milvus_client.py # Milvus 客户端
│ └── utils/ # 工具类
│ ├── __init__.py
│ └── logger.py # 日志配置（Loguru）
├── static/ # Web 前端（纯静态）
│ ├── index.html # 主页面
│ ├── app.js # 前端逻辑
│ └── styles.css # 样式表
├── mcp_servers/ # MCP 服务器
│ ├── cls_server.py # CLS 日志查询服务
│ ├── monitor_server.py # 监控数据服务
│ └── README.md # MCP 服务说明
├── aiops-docs/ # 运维知识库（Markdown 文档）
├── logs/ # 日志目录（Loguru 自动创建）
│ └── app_YYYY-MM-DD.log # 按天轮转的日志文件
├── uploads/ # 上传文件临时目录
├── volumes/ # Milvus 数据持久化目录
├── .env # 环境变量配置（需手动创建）
├── Makefile # 项目管理命令（Linux/macOS）
├── start-windows.bat # Windows 启动脚本
├── stop-windows.bat # Windows 停止脚本
├── vector-database.yml # Milvus Docker Compose 配置
├── pyproject.toml # 项目配置（依赖、元数据）
├── uv.lock # uv 依赖锁定文件
├── pyrightconfig.json # Pyright 类型检查配置
└── README.md # 项目说明
通过 .env 文件配置：
# 阿里云LLM DashScope 配置（必填）
# 秘钥管理： https://bailian.console.aliyun.com/cn-beijing/?spm=5176.29597918.J_SEsSjsNv72yRuRFS2VknO.2.61ac133ccTVQLw&tab=demohouse#/api-key
DASHSCOPE_API_KEY=your-api-key （配置你自己的秘钥）
DASHSCOPE_API_BASE=https://dashscope.aliyuncs.com/compatible-mode/v1 # 不配置则默认会使用新加坡站点
DASHSCOPE_MODEL=qwen-max
# Milvus 配置
MILVUS_HOST=localhost
MILVUS_PORT=19530
# RAG 配置
RAG_TOP_K=3
CHUNK_MAX_SIZE=800
CHUNK_OVERLAP=100基于 Plan-Execute-Replan 模式实现自动故障诊断。
- ✅ 自动制定诊断计划（Planner）
- ✅ 智能工具调用（Executor）
- ✅ 动态调整步骤（Replanner）
- ✅ 流式输出诊断过程
- ✅ 生成结构化报告
# 服务已通过 make init 自动启动
# 如需重启服务：make restart
# 访问 Web 界面，点击"智能运维与诊断工具"
# 或使用 API
curl -X POST "http://localhost:9900/api/aiops" \
-H "Content-Type: application/json" \
-d '{"session_id":"test"}' \
--no-buffer1. Planner 制定计划 → 生成 4-6 个诊断步骤
2. Executor 执行步骤 → 调用 MCP 工具（日志查询、监控数据）
3. Replanner 评估结果 → 决定继续/调整/生成报告
4. 输出诊断报告 → 根因分析 + 运维建议
# 项目管理
make init # 一键初始化（Docker + 服务 + 文档）
make start # 启动所有服务
make stop # 停止所有服务
make restart # 重启所有服务
# 依赖管理
make install-dev # 安装开发依赖
make sync # 同步依赖
# Docker 管理
make up # 启动 Docker 容器
make down # 停止 Docker 容器
# 代码质量
make format # 格式化代码
make lint # 代码检查Windows 不支持 make 命令，请使用提供的批处理脚本：
# 启动服务
.\start-windows.bat
# 停止服务
.\stop-windows.bat如果遇到 "无法加载文件，因为在此系统上禁止运行脚本" 错误：
# 临时允许脚本执行（管理员权限）
Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope Process
# 或者使用 CMD 而不是 PowerShell
cmd
.\start-windows.bat# 查看占用端口的进程
netstat -ano | findstr :9900
# 结束进程（替换 PID 为实际进程 ID）
taskkill /F /PID <PID># 检查环境变量
cat .env | grep DASHSCOPE_API_KEY # Linux/macOS
type .env | findstr DASHSCOPE_API_KEY # Windows# 确保本机有 Docker 服务并且已经启动（可以使用 Docker Desktop）
# 检查 Milvus 状态
docker ps | grep milvus
# 重启 Milvus（使用 docker compose）
docker compose -f vector-database.yml restart
# 或者重启单个服务
docker compose -f vector-database.yml restart standaloneLinux/macOS:
# 查看服务日志
tail -f logs/app_$(date +%Y-%m-%d).log # FastAPI 主服务（Loguru 日志）
tail -f mcp_cls.log # CLS MCP 服务
tail -f mcp_monitor.log # Monitor MCP 服务
# 检查端口占用
lsof -i :9900 # FastAPI
lsof -i :8003 # CLS MCP
lsof -i :8004 # Monitor MCPWindows:
# 查看服务日志（获取今天的日期）
$today = Get-Date -Format "yyyy-MM-dd"
type logs\app_$today.log # FastAPI 主服务（Loguru 日志）
type mcp_cls.log # CLS MCP 服务
type mcp_monitor.log # Monitor MCP 服务
# 或者查看最新的日志文件
Get-ChildItem logs\*.log | Sort-Object LastWriteTime -Descending | Select-Object -First 1 | Get-Content -Tail 50
# 检查端口占用
netstat -ano | findstr :9900 # FastAPI
netstat -ano | findstr :8003 # CLS MCP
netstat -ano | findstr :8004 # Monitor MCPauthor： chief
MIT License