在大模型技术落地的浪潮中，企业开发者面临着一个核心困境：是选择功能强大但商业受限的开发引擎，如Dify/n8n等，还是选择简单易用但无法私有部署的SaaS服务，如coze？今天介绍的OpenAgent提供了一个全新的选择——一个完全开源的企业级智能体应用框架:

• 集成智能问答、智能问数、知识库、工作流编排和智能体编排的大模型一站式平台。
• 采用Vue.js + FastAPI + PostgreSQL+Langchain/LangGraph等主流技术栈。
• 专为企业级应用设计，代码完全开源，支持私有化部署，可灵活扩展及二次开发。
• 内置完善用户认证和权限管理(RBAC)，用户数据隔离，确保数据安全。

🚀 不仅仅是引擎，更是完整产品

OpenAgent本身就是一个完整的全栈应用，而非单纯的开发引擎或工具包。

企业开发者无需从零开始耗费数月搭建基础架构，OpenAgent 的前后端代码完全开放，无任何绑定或锁定的插件依赖，企业可基于自身需求进行任意程度的定制化开发与扩展，真正实现技术栈的自主可控。通过简单的部署，您即可获得一个功能完备、开箱即用的企业级AI应用，大幅降低研发成本与上线周期。

🏗️ 技术架构

后端技术栈

• Web框架: FastAPI + SQLAlchemy + Alembic
• 数据库: PostgreSQL 16+ (开源关系型数据库)
• 向量数据库: PostgreSQL + pgvector 扩展 (开源向量数据库)
• 智能体编排: LangGraph 状态图 + 条件路由
• 工具调用: Langchain Function Calling
• 数据库MCP: postgresql MCP (Model Context Protocol)
• 倒排索引检索：Postgresql BM25
• 对话记忆: ConversationBufferMemory
• 文档处理: PyPDF2 + python-docx + markdown
• 数据分析: Pandas + NumPy

前端技术栈

• 框架: Vue 3 + TypeScript + Vite
• UI组件: Element Plus (开源UI库)
• HTTP客户端: Axios
• 工作流编辑器: 可视化编辑器
• 工作流引擎: 基于DAG的流程执行引擎
• 图形渲染: Canvas API + SVG
• 拖拽交互: Vue Draggable
• 节点连接: 自定义连线算法

✨ 核心能力

🤖 智能问答

• 多模型支持：支持兼容OpenAI协议的所有大模型，包括DeepSeek、智谱AI、豆包等国内主流AI服务商
• 三种对话模式：
  • 自由对话：直接与AI模型交互
  • RAG对话：基于知识库的检索增强生成
  • 智能体对话：智能体自动规划协作处理复杂任务
• 多轮对话：支持连续对话，上下文理解和记忆
• 对话历史：完整的会话记录和管理

🌟 技术特色

基于LangGraph的智能体对话系统

• 自主规划能力：智能体能够根据任务需求自主调用工具并规划执行流程
• 动态工具调用：根据上下文自动选择最合适的工具并执行
• 多步任务分解：复杂任务自动拆解为多个子任务并顺序执行
• 自动纠错能力：在执行过程中自动检测并修复错误，通过重试机制或替代方案确保任务顺利完成
• 思维链可视化：完整展示智能体的思考过程和决策路径，让每一步推理和工具调用都对用户清晰可见，提升决策透明度

示例场景：
当用户询问"推荐长沙和北京哪个适宜旅游"时：

1. 智能体首先调用搜索工具查找相关信息
2. 未找到合适结果时，自动规划调用天气查询工具
3. 智能拆分为两次执行：先查询长沙天气，再查询北京天气
4. 根据气温数据判断北京更适宜旅游
5. 自动调用搜索工具查找北京景点信息
6. 最终整合所有信息生成总结推荐

第一步：调用搜索引擎工具去查找哪个城市更适合旅游

第二步：搜索的内容没有找到合适的答案，意识到错了后，改变策划，重新调用天气工具，从天气的角度判断哪个城市更适合当下旅游 。

并且自动进行任务拆解，对北京、长沙分别调用一次天气工具，获取到两个城市的天气情况。

第三步：根据天气判断北京更适合旅游，再调用搜索引擎工具，搜索北京的特色景点。最后将工具调用结果与问题进行总结，完成本次对话过程。

📊 智能问数

智能问数是OpenAgent项目的核心功能模块，致力于解决企业数据查询与分析的核心痛点，让非技术人员也能通过自然语言与数据进行深度对话。

🌟 技术特色

双引擎智能问数系统

基于Excel的智能问数

• 使用LangChain代码解释器插件，将Excel数据读取到Pandas DataFrame
• 大模型将自然语言问题转换为Pandas语法并执行
• 支持多表格文件联合查询和复杂数据分析
• 展示完整的大模型思考工作流

基于数据库的智能问数

• 实现PostgreSQL MCP（Model Context Protocol）接口
• 大模型先提取表元数据，了解表结构和关系
• 根据用户问题自动生成优化SQL查询语句
• 支持多表关联查询和复杂数据检索
• 展示完整的大模型思考工作流

# 基于Excel的智能问数处理流程示例
用户输入："按项目类型统计2025年的合同总额"

系统自动解析：
1. 语义理解：找到2025年的数据表格，确定合同额，以及项目类型所在的表格列
2. 查询生成：转换为Pandas查询语句
3. 执行优化：调用代码解析器执行python代码
4. 结果呈现：生成可视化图表以及对结果进行总结说明

基于Excel表格文件的智能问数

 # 基于数据库表的智能问数处理流程示例
用户输入："最近一次会话的用户的用户名"

系统自动解析：
1. 语义理解：根据问题找到相关的表：conversation，message，user三张表
2. 根据表元数据找到最终要用到的两张表：message,user两张表
3. 生成关联查询sql：关联message和user表的sql语句，获取最终的username
4. 执行优化：调用代postgresql mcp服务执行sql
5. 结果呈现：生成可视化表格以及对结果进行总结说明

📚 知识库管理

• 文档处理：支持PDF、Word、Markdown、TXT等格式
• 向量存储：基于PostgreSQL + pgvector的向量数据库
• 智能检索：向量相似度搜索和BM25算法关键词检索
• 文档管理：上传、删除、分类和标签管理
• RAG集成：与对话系统无缝集成

🌟 技术特色

高级语义分割知识库处理

• 智能段落分割：基于大模型的语义理解分割技术，而非传统的文本相似度判断
• 精准切分识别：大模型直接识别最适合的切分位置并输出分割标记字符串
• 高效处理流程：仅输出分割位置字符串，再由代码执行实际分割操作
• 性能优化：避免了传统方法中大量的向量计算和相似度比较，提升处理速度
• 质量保证：大模型的深层语义理解确保分割边界的准确性和合理性

双重召回检索机制

• 多模态检索：结合向量相似度匹配与BM25关键词检索
• 混合排序策略：采用加权融合算法，综合语义相关性和关键词匹配度进行结果排序
• 召回增强：双重召回机制有效解决了单纯向量检索的"词汇不匹配"问题
• 精准度提升：相比单一检索方式，显著提高相关文档的召回率和准确率

知识库文件管理

法律文件智能分割

🔧 工作流编排（待完成）

• 可视化设计：拖拽式工作流设计器
• 节点类型：支持AI对话、数据处理、条件判断等节点
• 流程控制：条件分支、循环、并行执行

支持对大模型节点、条件分支、代码执行等几种类型节点的自由编排

🤖 智能体编排（Todo)

• 多智能体协作：不同专业领域的AI智能体协同工作
• 角色定义：自定义智能体的专业能力和知识领域
• 任务分配：智能分解复杂任务到合适的智能体
• 结果整合：汇总多个智能体的输出生成最终答案

本地源码部署指南

环境要求

• Python 3.10+
• Node.js 18+
• PostgreSQL 16+

1. 安装PostgreSQL和pgvector

方式一：Docker安装（推荐）

使用 Docker + Docker Compose 部署 PostgreSQL 16 + pgvector 插件。

1. 创建docker-compose.yml文件

内容如下：

version: '3.8'

services:
  db:
    image: pgvector/pgvector:pg16
    container_name: pgvector-db
    environment:
      POSTGRES_USER: myuser
      POSTGRES_PASSWORD: your_password
      POSTGRES_DB: mydb
    ports:
      - "5432:5432"
    volumes:
      - pgdata:/var/lib/postgresql/data
    restart: unless-stopped

volumes:
  pgdata:

说明：

• 使用 pgvector/pgvector:pg16 镜像，内置 PostgreSQL 16 + pgvector 插件
• 数据保存在 Docker 卷 pgdata 中，重启不会丢失
• 监听宿主机端口 5432，可用本地工具如 pgAdmin, DBeaver, psql 连接
• 默认数据库名称：mydb
• 默认用户名：myuser
• 默认密码：your_password

2. 启动服务

在 docker-compose.yml 所在目录下运行：

docker-compose up -d

查看容器状态：

docker ps

输出应包含一个名为 pgvector-db 的容器，状态为 Up。

3. 验证 pgvector 安装成功

进入 PostgreSQL 容器：

docker exec -it pgvector-db psql -U myuser -d mydb

启用 pgvector 插件：

CREATE EXTENSION IF NOT EXISTS vector;

插入并查询向量数据（示例，可以在客户端，如dbeaver等）**

-- 创建表，包含一个向量字段（维度为3）
CREATE TABLE items (
  id SERIAL PRIMARY KEY,
  embedding vector(3)
);

-- 插入向量数据
INSERT INTO items (embedding) VALUES
  ('[1,1,1]'),
  ('[2,2,2]'),
  ('[1,0,0]');

-- 查询与 [1,1,1] 最接近的向量（基于欧几里得距离）
SELECT id, embedding
FROM items
ORDER BY embedding <-> '[1,1,1]'
LIMIT 3;

-- 上述没报错且有结果返回，即安装成功

2. 后端部署

# 克隆项目
git clone https://github.com/lkpAgent/chat-agent.git
cd chat-agent/backend

#创建python虚拟环境，推荐使用conda创建虚拟环境
conda create -n chat-agent python=3.10
conda activate chat-agent

# 安装依赖
pip install -r requirements.txt

# 配置环境变量,windows下直接复制.env.example文件为.env  
cp .env.example .env

# 编辑.env文件，配置数据库连接和AI API密钥。相关配置信息见后面的配置说明

# 配置完数据库信息后，初始化数据库表及创建登录账号(用户名: test@example.com, 密码: 123456)
cd backend/tests
python init_db.py

# 启动后端服务，默认8000端口
python -m uvicorn chat_agent.main:app --reload --host 0.0.0.0 --port 8000
# 或者直接运行main.py
# cd backend/chat_agent
# python main.py

3. 前端部署

# 进入前端目录
cd ../frontend

# 安装依赖
npm install

# 配置环境变量
cp .env.example .env
# 编辑.env文件，配置后端API地址
VITE_API_BASE_URL = http://localhost:8000

# 启动前端服务，默认端口3000
npm run dev

启动成功后，访问http://localhost:3000，会进入到登录页面，默认账号密码为test@example.com/123456

登录页面

登录后首页

4. 访问应用

• 前端地址: http://localhost:3000
• 后端API: http://localhost:8000
• API文档: http://localhost:8000/docs

5. 后端配置说明

后端环境变量配置 (backend/.env)

# 数据库配置
# ========================================
DATABASE_URL=postgresql://your_username:your_password@your_host:your_port/your_db
# 示例：
# DATABASE_URL=postgresql://myuser:mypassword@127.0.0.1:5432/mydb

# ========================================
# 向量数据库配置
# ========================================
VECTOR_DB_TYPE=pgvector
PGVECTOR_HOST=your_host
PGVECTOR_PORT=your_port
PGVECTOR_DATABASE=mydb
PGVECTOR_USER=myuser
PGVECTOR_PASSWORD=your_password
 
# 大模型配置 (支持OpenAI协议的第三方服务) 只需要配置一种chat大模型以及embedding大模型
# ========================================
# chat大模型配置
# ========================================
# 可选择的提供商: openai, deepseek, doubao, zhipu, moonshot
LLM_PROVIDER=doubao

# Embedding模型配置
# ========================================
# 可选择的提供商: openai, deepseek, doubao, zhipu, moonshot
EMBEDDING_PROVIDER=zhipu

# OpenAI配置
OPENAI_API_KEY=your-openai-api-key
OPENAI_MODEL=gpt-4
OPENAI_BASE_URL=https://api.openai.com/v1
OPENAI_EMBEDDING_MODEL=text-embedding-ada-002


# 智谱AI配置
ZHIPU_API_KEY=your-zhipu-api-key
ZHIPU_MODEL=glm-4
ZHIPU_EMBEDDING_MODEL=embedding-3
ZHIPU_BASE_URL=https://open.bigmodel.cn/api/paas/v4

# DeepSeek配置
DEEPSEEK_API_KEY=your-deepseek-api-key
DEEPSEEK_BASE_URL=https://api.deepseek.com/v1
DEEPSEEK_MODEL=deepseek-chat
DEEPSEEK_EMBEDDING_MODEL=deepseek-embedding

# 豆包配置
DOUBAO_API_KEY=your-doubao-api-key
DOUBAO_BASE_URL=https://ark.cn-beijing.volces.com/api/v3
DOUBAO_MODEL=doubao-1-5-pro-32k-250115
DOUBAO_EMBEDDING_MODEL=doubao-embedding

# Moonshot配置
MOONSHOT_API_KEY=your-moonshot-api-key
MOONSHOT_BASE_URL=https://api.moonshot.cn/v1
MOONSHOT_MODEL=moonshot-v1-8k
MOONSHOT_EMBEDDING_MODEL=moonshot-embedding

# 工具API配置
## tavilySearch api
TAVILY_API_KEY=your-tavily-api-key
## 心知天气api
WEATHER_API_KEY=your_xinzhi_api_key

项目结构

chat-agent/
├── backend/                 # 后端代码
│   ├── chat_agent/         # 主应用包
│   │   ├── api/            # API路由
│   │   ├── core/           # 核心配置
│   │   ├── db/             # 数据库相关
│   │   ├── models/         # 数据库模型
│   │   ├── services/       # 业务逻辑
│   │   ├── utils/          # 工具函数
│   │   └── main.py         # 应用入口
│   ├── tests/              # 测试文件
│   └── requirements.txt    # Python依赖
├── frontend/               # 前端代码
│   ├── src/
│   │   ├── components/     # Vue组件
│   │   ├── views/          # 页面组件
│   │   │   ├── chat/       # 对话页面
│   │   │   ├── knowledge/  # 知识库页面
│   │   │   ├── workflow/   # 工作流页面
│   │   │   └── agent/      # 智能体页面
│   │   ├── stores/         # Pinia状态管理
│   │   ├── api/            # API调用
│   │   ├── types/          # TypeScript类型
│   │   └── router/         # 路由配置
│   └── package.json        # Node.js依赖
├── data/                   # 数据目录
│   ├── uploads/            # 上传文件
│   └── logs/               # 日志文件
└── docs/                   # 文档目录

🌟 与同类平台的差异化优势

对比Dify

• 优势：OpenAgent提供完整的前后端应用，而Dify更偏向后端引擎
• 场景：企业需要快速获得完整解决方案而非开发平台时

对比Coze

• 优势：OpenAgent支持私有化部署和深度定制，Coze为闭源SaaS
• 场景：对数据安全有严格要求的企业环境

对比n8n

• 优势：OpenAgent专注于AI原生应用，n8n更侧重通用自动化
• 场景：需要深度AI能力而非工作流自动化的场景

📄 许可证

本项目采用 MIT License 许可证，这意味着：

• 可以自由使用、修改、分发
• 可以用于商业目的
• 只需保留原始许可证声明
• 作者不承担任何责任

源码地址：

https://github.com/lkpAgent/OpenAgentgithub.com/lkpAgent/openAgent