基于心流大模型和LangChain的智能文档问答系统，支持多种文档格式的知识库构建和智能问答。

• 🤖 智能问答: 基于心流大模型的自然语言问答
• 📚 多格式支持: 支持PDF、TXT、Markdown文档
• 🔍 向量检索: 使用ChromaDB/FAISS进行高效向量存储和检索
• 🌐 Web界面: 基于Streamlit的直观Web界面
• 📊 实时监控: 系统状态和知识库统计
• 💾 会话历史: 对话记录保存和导出
• ⚙️ 灵活配置: 支持多种模型和参数配置

├── @cc-code/                    # 主要代码目录
│   ├── ccc_rag_system.py       # RAG系统核心逻辑
│   ├── ccc_iflow_api.py        # 心流API接口封装
│   ├── ccc_document_processor.py # 文档处理模块
│   ├── ccc_config.py           # 配置管理
│   ├── ccc_streamlit_app.py    # Web界面
│   └── requirements.txt        # 依赖包列表
├── @cc-doc/                    # 文档目录
├── @doc/                       # 问答记录
└── .env.example                # 环境变量模板

# 克隆项目
git clone <repository-url>
cd 4-ai-iflow-api

# 安装依赖
pip install -r @cc-code/requirements.txt

# 复制环境变量模板
cp @cc-code/.env.example .env

# 编辑.env文件，配置您的心流API密钥
# IFLOW_API_KEY=your_api_key_here

# 使用启动脚本
@cc-code/start.sh

# 或直接启动Streamlit
streamlit run @cc-code/ccc_streamlit_app.py

1. 打开浏览器访问 http://localhost:8501
2. 在侧边栏上传文档或加载文档目录
3. 等待文档处理完成
4. 开始智能问答

• qwen3-max (默认) - 通义千问3.0最大版
• kimi-k2 - Kimi K2模型
• deepseek-v3 - DeepSeek V3模型
• glm4.6 - GLM 4.6模型

• 知识库管理和向量存储
• 文档检索和上下文生成
• 问答逻辑和结果组装

• 心流大模型API封装
• 请求管理和错误处理
• 流式和非流式响应支持

• 多格式文档解析
• 文本分块和向量化
• 批量处理和进度跟踪

• 用户交互界面
• 系统状态监控
• 配置管理和历史记录

from ccc_rag_system import rag_system

# 添加文档
rag_system.add_documents("./docs")

# 查询问答
response = rag_system.query("什么是RAG系统？")
print(response.answer)

from ccc_document_processor import DocumentProcessor

processor = DocumentProcessor()
documents = processor.process_directory("./knowledge_base")

• @cc-code/: 主要代码文件，包含核心功能实现
• @cc-doc/: 代码修改说明和技术文档
• @doc/: 问答记录和用户文档
• .claude/: Claude Code配置文件

• 遵循PEP 8 Python代码规范
• 使用类型注解增强代码可读性
• 添加详细的文档字符串
• 实现适当的错误处理和日志记录

1. API连接失败

   • 检查网络连接
   • 验证API密钥正确性
   • 确认API配额是否充足

2. 文档加载失败

   • 检查文件格式是否支持
   • 确认文件路径正确
   • 查看错误日志信息

3. 向量数据库错误

   • 清理数据库目录重新初始化
   • 检查磁盘空间是否充足
   • 验证依赖包版本兼容性

# 查看详细日志
export LOG_LEVEL=DEBUG
streamlit run @cc-code/ccc_streamlit_app.py

1. Fork 项目
2. 创建功能分支 (git checkout -b feature/amazing-feature)
3. 提交更改 (git commit -m 'Add amazing feature')
4. 推送到分支 (git push origin feature/amazing-feature)
5. 创建 Pull Request

本项目基于 MIT 许可证开源 - 查看 LICENSE 文件了解详情。

• LangChain - RAG框架支持
• Streamlit - Web界面框架
• ChromaDB - 向量数据库
• 心流AI - 大模型API支持

如有问题或建议，请通过以下方式联系：

• GitHub Issues: 提交问题
• 邮箱: [your-email@example.com]

注意: 使用前请确保已获得心流API的使用权限，并妥善保管API密钥。