aigility 0.1.1

A modern Python ADK - Agent Development Kit for building AI agents with LangGraph and LangChain. This library provides a comprehensive, type-safe framework for developing intelligent agents with chat, workflow, memory, and knowledge management capabilities.

AIGility ADK - Agent Development Kit

基于 LangGraph/LangChain 的智能体开发框架，提供开箱即用的 RAG、记忆管理、对话流等能力。

特性

• RAG 检索增强生成

  • 基础 RAG 服务：文档摄取、向量化、语义检索
  • 工作流模式 RAG：基于 LangGraph 的可组合 RAG 工作流
  • 多 Embedding 支持：DashScope、HuggingFace、ZhipuAI 等
  • 多向量存储支持：Chroma、FAISS、Milvus、Qdrant 等
  • 太忆（TiMem）RAG 云服务集成（ChatFlow 工具调用）

• 记忆管理

  • 持久化对话历史
  • 语义记忆检索
  • 可扩展的记忆存储（已集成 TiMem Memory Provider）

• 对话流管理

  • 基于 LangGraph 的对话流编排
  • 工具调用支持
  • 状态管理

• 工作流引擎

  • 可视化工作流构建
  • 节点编排
  • 条件分支和循环

安装

核心安装（推荐）

只安装核心依赖，包含聊天、工作流、内存管理等基础功能：

pip install aigility

完整安装

如需使用 RAG、向量存储、文档处理等高级功能：

# 安装所有可选功能
pip install "aigility[all]"

# 或者只安装需要的模块
pip install "aigility[rag-local]"     # 本地 RAG (HuggingFace + Chroma)
pip install "aigility[rag-qdrant]"    # Qdrant RAG
pip install "aigility[timem]"         # 太忆 RAG 服务
pip install "aigility[anthropic]"     # Anthropic LLM 支持

可选功能模块

模块	说明	安装命令
anthropic	Anthropic Claude 支持	pip install "aigility[anthropic]"
rag-local	本地 RAG (HuggingFace + Chroma)	pip install "aigility[rag-local]"
rag-qdrant	Qdrant RAG	pip install "aigility[rag-qdrant]"
timem	太忆 RAG 服务	pip install "aigility[timem]"
timem-rag	太忆 RAG 完整功能 (含文档处理)	pip install "aigility[timem-rag]"
zai	在智 embedding 服务	pip install "aigility[zai]"
all	所有功能	pip install "aigility[all]"

注意：rag-local 会下载 HuggingFace 模型（约 500MB-2GB），安装时间较长

快速开始

RAG 基础使用

from aigility.rag import RAGService, RAGConfig, EmbeddingConfig, VectorStoreConfig

# 配置 RAG 服务
config = RAGConfig(
    embedding=EmbeddingConfig(provider="dashscope", api_key="your-api-key"),
    vector_store=VectorStoreConfig(provider="chroma", persist_path="./my_db")
)

# 初始化服务
rag_service = RAGService(config=config)

# 添加文档
rag_service.add_file("document.pdf")

# 检索相关内容
results = rag_service.search("什么是机器学习？")
print(results)

RAG 工作流模式

from aigility.rag import RAGService, create_rag_workflow
from langchain_openai import ChatOpenAI

# 初始化 RAG 服务和 LLM
rag_service = RAGService()
llm = ChatOpenAI(model="gpt-4")

# 创建工作流
workflow = create_rag_workflow(rag_service, llm)

# 执行查询
result = workflow.invoke({
    "query": "什么是机器学习？",
    "messages": []
})

print(result["answer"])

客户端使用

from aigility import ADKClient, create_client

# 创建客户端
client = create_client(
    llm_provider="openai",
    llm_api_key="your-api-key",
    memory_api_key="your-memory-api-key",
)

# 使用记忆
memory = client.memory
await memory.add(
    messages=[{"role": "user", "content": "Hello"}],
    user_id="user123",
    character_id="assistant"
)

# 创建对话智能体
agent = client.create_chat_agent(name="my_agent")

文档

• 开发指南 - 详细的开发文档和架构说明
• 示例代码 - 各种使用场景的示例代码
• Provider 使用文档与配置示例 - LLM/Embedding/向量库/Memory Provider 说明
• 太忆(TiMem) RAG 集成指南 - ChatFlow 中的 RAG 工具接入

项目结构

aigility/
├── core/           # 核心配置和类型
├── memory/         # 记忆管理
├── chat/           # 基础对话
├── chatflow/       # 对话流管理
├── workflow/       # 工作流引擎
├── rag/            # RAG 检索增强生成
│   ├── service.py  # RAG 服务
│   ├── workflow.py # RAG 工作流
│   ├── client.py   # TiMem RAG 客户端
│   ├── embeddings/ # Embedding 模型
│   ├── vector_stores/ # 向量存储
│   └── ingestion.py # 文档摄取
├── adp/            # ADP 服务客户端
└── client.py       # 主客户端

技术栈

• LangChain: 基础对话能力
• LangGraph: 对话流和工作流编排
• Chroma/FAISS/Milvus: 向量存储
• DashScope/HuggingFace: Embedding 模型
• Qdrant: 向量存储
• TiMem: Memory/RAG 云服务

许可证

MIT License