AI导哈

多代理LLM应用平台

一个基于Streamlit的多代理LLM应用平台，展示四种不同的AI聊天机器人架构，具备网页搜索、文档问答和模型上下文协议集成功能。

  • by M-MuneebAlam
  • Python
  • 本地部署
  • 2 星标
  • 更新于
在 GitHub 查看 M-MuneebAlam/multi-agent-llm-app

使用说明

🤖 多代理LLM应用程序

一个复杂的Streamlit平台，展示了四种不同的人工智能聊天机器人架构，包括网络搜索、文档问答和模型上下文协议集成。

🚀 现场演示

🌐 实时试用应用程序

🌟 项目概述

现代人工智能聊天机器人架构的全面组合演示，从基本的会话人工智能到高级RAG系统和MCP驱动的代理。每个实现都展示了构建具有生产就绪代码质量的智能会话系统的不同方法。

🎯 核心功能

  • 🚀 基本聊天机器人：具有可定制响应风格和记忆的对话式AI
  • 🔍 搜索代理：具有实时信息检索功能的网络人工智能（Tavily API）
  • 📚 文件问答：基于RAG的PDF分析和矢量搜索
  • ⚡ MCP代理：用于可扩展功能的模型上下文协议集成
  • 🎨 现代用户界面：具有主题响应能力的专业界面
  • 🔐 智能配置：环境软件API密钥管理

📱 实时应用程序

现代仪表板，可动态导航到专业的人工智能助手

🏗️ 建筑

multi-agent-llm-app/
├── Home.py                       # Main application entry point
├── healthcheck.py                # System diagnostics
├── config/                       # Configuration management
│   ├── api_config.py             # API key handling & environment detection
│   └── app_config.py             # Streamlit configuration
├── pages/                        # Individual chatbot implementations
│   ├── 1_Basic_Chatbot.py        # Standard conversational AI
│   ├── 2_Chatbot_Agent.py        # Web search-enabled agent
│   ├── 3_Chat_with_your_Data.py  # RAG document Q&A system
│   └── 4_MCP_Agent.py            # Model Context Protocol integration
├── services/                     # Core business logic
│   └── agent_service.py          # MCP agent implementation
├── ui_components/                # Reusable UI components
│   └── home_ui.py                # Styled UI elements
└── utils/                        # Helper utilities
    ├── langchain_helpers.py      # LangChain integrations
    └── page_utils.py             # Page discovery

️ 技术栈

核心框架：Streamlit、LangChain、LangGraph
AI/ML：OpenAI GPT-4，OpenAI嵌入，FAISS
应用程序编程接口：Tavily搜索，模型上下文协议
文档处理：PyPDF，递归字符TextSplitter

⚡ 快速开始

先决条件

  • Python 3.8+
  • OpenAI API密钥
  • Tavilly API密钥（可选，用于搜索代理）

设置和启动

# Clone and setup
git clone https://github.com/M-MuneebAlam/multi-agent-llm-app.git
cd multi-agent-llm-app
python -m venv myenv
myenv\Scripts\activate  # Windows

# Install dependencies
pip install -r requirements.txt

# Configure API keys (create .env file)
echo "OPENAI_API_KEY=your_openai_key" > .env
echo "TAVILY_API_KEY=your_tavily_key" >> .env

# Launch application
streamlit run Home.py

导航至 http://localhost:8501 访问应用程序。

📖 使用指南

基本聊天机器人：选择响应方式，与具有持久记忆的AI助手聊天
搜索代理：询问当前信息问题，获取网络来源的答案
文件问答：上传PDF，询问有关文档内容的问题
MCP代理：通过模型上下文协议访问扩展的AI功能

🚀 部署

地方发展

streamlit run Home.py

流光云

  1. 分叉存储库并连接到Streamlit Cloud
  2. 配置机密： OPENAI_API_KEY, TAVILY_API_KEY, MCP_SERVER_URL
  3. 自动部署

码头工人

FROM python:3.9-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
EXPOSE 8501
CMD ["streamlit", "run", "Home.py", "--server.port=8501", "--server.address=0.0.0.0"]

� 技术亮点

AI架构模式

  • 内存管理：与LangGraph的持续对话历史
  • RAG实施：使用FAISS和智能分块进行矢量搜索
  • 智能体协同：具有搜索功能的工具增强型人工智能
  • MCP集成：基于协议的可扩展AI功能

现代发展实践

  • 基于组件的UI：可重复使用的Streamlit组件，具有主题响应能力
  • 环境感知配置：自动本地/云API密钥管理
  • 错误处理：全面验证和优雅降级
  • 健康监测：内置诊断和系统验证

🔮 未来的增强功能

  • []多模式支持（图像/语音输入）
  • []高级文档格式（DOCX、TXT）
  • []用户身份验证和个人历史记录
  • []性能优化和缓存
  • []移动响应式设计改进

👨‍💻 作者

M.穆尼布·阿拉姆
AI/ML工程师|全栈开发人员
GitHub • 领英

🤝 贡献

  1. 复刻仓库
  2. 创建特征分支(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. 打开拉取请求

⭐ 如果您觉得此存储库有用，请将其标记为星号！

现代人工智能应用开发综合演示

相关 MCP