Agent-For-Exam

KO | EN

gitlite — search

#javascript #python #hacktoberfest #react #ai #typescript #llm #go #golang #android #machine-learning #rust #deep-learning #linux

★ 14 Open GitHub ↗

Agent for exam is an AI exam preparation assistant, based on mulit agent system

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# Agent for Exam
### An AI-Powered Exam Assistant based on LightRAG, Knowledge Graphs, and Multi-Agent Orchestration
agent for exam是一个基于 LightRAG 的智能考试助手系统，面向教育场景的知识图谱构建、页面级引用的智能问答、试题生成和自动批改的 Web 应用。支持 PPTX/PDF 文档上传、知识抽取、知识图谱可视化、智能对话、AI模拟试题生成和智能批改功能，并提供基于大模型的智能 Agent 模式，自动编排多种工具完成文档浏览、知识图谱问答和思维导图生成等任务。

![Agent for Exam 系统架构图](https://raw.githubusercontent.com/1firecracker/Agent-For-Exam/main/image/exam%20agent.png)

## 解决了哪些痛点?

- 普通的ai 对话助手, 不能够在多轮对话中保证基于多文档讲义内容进行回答, 而在学生复习备考的场景中, 很多回答要求基于原文而不是ai的自由发挥 --- 本项目采用agentic retrieval 实现动态检索, 不是被动等待结果, 而是主动规划, 发起并控制整个检索过程

- 学生复习时很难将所有的知识在讲义中的具体位置记住, 在通过习题进行复习时, 需要翻找查看相关知识点所在的讲义位置, 浪费大量时间 --- 当前的项目实现了页面级别的索引引用, 点击即可跳转到对应页面, 既保证来源可靠又保证RAG System 的可观测性

![页面级索引引用演示](https://raw.githubusercontent.com/1firecracker/Agent-For-Exam/main/image/demo-afe1.gif)

- 学生在进行复习时, 尤其是准备非大众领域的考试时, 往往存在往年复习习题数量少, 无法充分检验自身的知识点掌握水平, 而简单通过上传一个试卷让ai生成类似题目会存在生成题目太过相似, 或者生成题目脱离讲义的情况 --- 本项目通过类deep research 的多agent架构, 通过封装好的工具调用, 保证生成的试题知识点全部基于上传的讲义内容, 从而实现高质量的题目生成

## Agent 模式简介

本项目内置了基于大模型 Function Calling 的 **智能 Agent 模式**，可以根据用户的自然语言指令自动选择和调用工具，完成与考试场景相关的一系列任务，包括但不限于：

- **文档智能浏览**：自动列出当前对话下的所有教学文档，帮助快速了解可用资料（`list_documents` 工具）。
- **知识图谱问答**：基于 LightRAG 构建的知识图谱，对上传文档进行结构化理解，并支持多模式查询（`query_knowledge_graph` 工具）。
- **思维导图生成**：根据用户指定的文档或问题，自动生成知识结构化的思维导图 / 脑图，支持在前端进行可视化查看（`generate_mindmap` 工具）。
- **按页阅读文档**：按文档名与起止页码读取讲义/教材的纯文本内容（`read` 工具，参数：文档名、起始页码、终止页码）。

在 Agent 模式下，用户只需要用自然语言表达需求（例如“帮我根据本课 PPT 生成一张思维导图”），系统会自动决定是否调用工具以及调用顺序，并将工具结果整合成最终回答。

## 项目结构

```
NLP_project/
├── backend/                    # 后端服务（FastAPI）
│   ├── app/                    # 应用核心代码
│   │   ├── agents/            # Agent 处理模块
│   │   ├── api/               # API 路由
│   │   ├── services/          # 业务逻辑
│   │   └── utils/             # 工具函数
│   ├── venv/                  # Python 虚拟环境（不提交到 Git）
│   └── requirements.txt
├── frontend/                   # 前端应用（Vue 3 + Vite）
│   ├── src/                   # 源代码
│   │   ├── components/       # Vue 组件
│   │   ├── stores/           # Pinia 状态管理
│   │   └── services/         # API 服务
│   └── package.json
├── LightRAG/                   # LightRAG 框架核心代码
├── start_all.ps1              # Windows 一键启动脚本
├── stop_all.ps1               # Windows 一键停止脚本
├── start_all.sh               # macOS / Linux 一键启动脚本
└── stop_all.sh                # macOS / Linux 一键停止脚本
```

## 环境要求

### 部署（Docker）
- Docker / Docker Desktop

### 开发（本地）
- 后端：Python 3.10+、pip
- 前端：Node.js 16+、npm
- PPTX 预览：LibreOffice（本地启动需要，Docker 镜像已内置）

macOS / Linux 可先检查本机环境：

```bash
python3 --version
node --version
npm --version
```

如果 `node` 或 `npm` 不存在，请先从 https://nodejs.org 安装 Node.js LTS；npm 会随 Node.js 一起安装。
如果 `python3` 版本低于 3.10，请先从 https://www.python.org/downloads/ 安装新版 Python。
如果 PPTX 无法预览，请从 https://www.libreoffice.org/download/download-libreoffice/ 安装 LibreOffice。

## 安装步骤

### 1. 克隆项目

```bash
git clone https://github.com/1firecracker/Agent-For-Exam.git
cd NLP_project
```

### 2. Docker 启动（跨平台，可选）

适用于已安装 Docker Desktop 的 Windows / macOS / Linux。Docker 启动不区分 PowerShell、CMD 或 zsh，只要终端能执行 `docker compose` 即可。

启动：

```sh
docker compose up -d
```

停止：

```sh
docker compose down
```

- 访问前端：http://localhost  
- API 文档：http://localhost:8000/docs

**其余配置在应用内完成**：打开页面后点击右上角 **设置**（⚙️），在设置页中配置统一 API Key 和各场景使用的模型；带默认项的会自动使用默认值。

### 3. 本地启动（不使用 Docker）

本地启动会直接使用本机的 Python / Node.js 环境。Windows 使用 PowerShell 脚本，macOS / Linux 使用 Shell 脚本。

macOS / Linux：

```bash
chmod +x start_all.sh stop_all.sh
./start_all.sh
./stop_all.sh
```

Windows PowerShell：

```powershell
.\start_all.ps1
.\stop_all.ps1
```

一键脚本会启动：

- 后端服务：http://localhost:8000
- 前端应用：http://localhost:5173

macOS 执行 `./start_all.sh` 会弹出 Terminal 窗口显示后端和前端日志；Linux 会后台启动并写入 `logs/`。

如果希望 macOS / Linux 后端启用 `uvicorn --reload` 热更新，可以使用：

```bash
AFE_RELOAD=1 ./start_all.sh
```

需要手动分开启动时，请参考：

- 后端说明：[backend/README.md](./backend/README.md)
- 前端说明：[frontend/README.md](./frontend/README.md)

#### 环境变量（可选）

当前默认不依赖额外的后端环境变量即可完成基础功能，常用配置（统一 API Key、各场景模型等）都通过前端「设置」页面管理。
如需为后端增加其他自定义配置，可在 `backend/.env` 中按需添加对应键值，应用会通过 `pydantic-settings` 自动加载。

### 4. Docker 开发调试（跨平台，可选）

如果希望在 Docker 中进行日常开发调试（而不是本机直接运行 Python / Node），可以使用 `docker-compose.dev.yml`。这仍然是 Docker 方案，不是 Windows 本地启动方式。

启动：

```sh
docker compose -f docker-compose.dev.yml up --build
```

- 前端开发入口：http://localhost:5173  
- 后端 API：http://localhost:8000

说明：

- 后端：`./backend` 目录挂载到容器中，使用 `uvicorn --reload`，修改 Python 代码后会自动重载。
- 前端：`./frontend` 目录挂载到容器中，由 Vite Dev Server 提供服务，修改前端代码会自动热更新。

停止：

```sh
docker compose -f docker-compose.dev.yml down
```

> 生产/正式部署仍使用前文的 `docker compose up -d`，`docker-compose.dev.yml` 仅用于 Docker 开发调试。

### 5. LLM 配置（通过前端界面）

**重要**：LLM API Key 和模型配置通过前端界面进行管理，无需在 `.env` 文件中配置。

启动应用后，点击右上角的 **设置按钮**（⚙️），先在顶部配置 **统一 API Key**，再分别为不同场景选择模型：

1. **知识图谱抽取**：用于文档知识抽取和知识图谱构建
2. **聊天对话**：用于智能问答和 Agent 模式
3. **思维导图生成**：用于生成思维导图
4. **嵌入向量**：用于文档向量化和检索
5. **OCR**：用于试卷 / PDF 图片识别

当前主要支持硅基流动提供的 OpenAI 兼容接口，每人有免费的使用额度(https://siliconflow.cn/)
(ps:项目调试过程token消耗太大，各位填个邀请码(aSxiQo98)或进入邀请链接(https://cloud.siliconflow.cn/i/aSxiQo98/) 实名认证后可以让作者回血，十分感谢🙏)

- **统一 API Key**：只需配置一次，知识图谱、聊天、思维导图、嵌入向量、OCR 等场景会共用该 Key。
- **模型**：每个场景可以选择不同模型（如 DeepSeek-V3.2-Exp、Qwen2.5-VL-7B-Instruct、Qwen3-Embedding 等）。
- **模型列表同步**：保存统一 API Key 后，后端会调用 `GET /models` 拉取当前账号可用模型，并更新设置页中的模型下拉列表。
- **启动自动同步**：后端启动时如果已经保存过统一 API Key，会自动刷新一次模型列表；刷新失败不会阻止应用启动。
- **手动刷新**：设置页提供「刷新模型列表」按钮，可以在模型权限变化后手动同步。
- **安全存储**：API Key 会在后端加密保存，不会通过配置查询接口明文返回。

**首次使用**：
- 如果未配置统一 API Key，涉及 LLM / Embedding / OCR 的功能会提示错误。
- 请先获取硅基流动的 API Key，然后在前端设置页顶部保存统一 Key。
- 保存成功后，检查模型列表是否刷新成功，再为各场景选择合适模型。

相关后端接口：

- `GET /api/settings/llm-config`：读取场景配置、统一 Key 状态和模型列表。
- `POST /api/settings/providers/siliconflow/api-key`：保存统一 API Key，并尝试刷新模型列表。
- `POST /api/settings/providers/siliconflow/models/refresh`：手动刷新模型列表。

## 访问地址

- **部署（Docker）前端页面**: http://localhost
- **开发（本地）前端应用**: http://localhost:5173
- **后端 API**: http://localhost:8000
- **API 文档**: http://localhost:8000/docs

## 日志输出位置（后端）

- **应用日志（业务 / Agent / 思维导图等）**
  - 通过 `backend/app/config.py` 中的 `get_logger` 统一输出，格式为一行一个 JSON 对象（适合后续接入日志平台）。
  - 默认写入文件：`backend/logs/app.log`（首次启动时自动创建 `logs/` 目录）。
  - 日志级别由 `settings.debug` 控制：开发环境使用 `DEBUG`，否则为 `INFO`。
- **访问日志（HTTP 请求）**
  - 由 uvicorn 自身输出，启动命令可通过 `--no-access-log` 关闭访问日志。
  - 使用 `./start_all.sh` 启动时，macOS 会在弹出的 Terminal 窗口中显示日志；Linux 会写入 `logs/backend.log` 和 `logs/frontend.log`。
  - 如需持久化访问日志，可在启动脚本中使用重定向或 uvicorn 自带的 `--log-config` 能力，和应用日志解耦管理。

## 主要功能

### 1. 文档管理与知识图谱

- **文档上传与管理**
  - 支持 PPTX、PDF 格式文档上传
  - 单文件最大 50MB，每个subject最多 20 个文件
  - 支持讲义文档和历年真题文档独立存储

- **知识图谱抽取**
  - 基于 LightRAG 自动提取实体和关系
  - 并行处理，自动合并重复实体

- **可视化**
  - 交互式图谱展示（Cytoscape.js）
  - 节点和边详情查看，支持过滤、搜索和缩放
  - 实体来源文档追踪
  - PPTX 幻灯片浏览，PDF 文档浏览

### 2. 智能问答

- **多模式查询**
  - naive：纯向量相似度检索
  - local：基于局部知识图谱的子图检索
  - global：基于全局知识图谱的关系检索
  - mix：混合检索（推荐）

- **对话管理**
  - 多轮对话，保持上下文
  - 引用来源展示
  - 多对话记忆独立
  - 不同subjec独立工作空间

- **Cheatsheet 速查表**
  - 基于当前 subject 下已处理完成的 PDF / PPTX 讲义生成可打印 Markdown 速查表
  - 支持纸张、方向、字号、行高、具体页边距、分栏、语言、密度和生成风格配置
  - 支持流式生成、真实分页预览、编辑保存、复制 Markdown 和后端 PDF 导出
  - 详细说明见 [docs/feature/feature-cheatsheet-generation.md](./docs/feature/feature-cheatsheet-generation.md)

### 3. 试题分析

- **多智能体流水线**：编排多个 Agent 对历年试卷进行“题目 → 知识点 → 讲义文档/页码”映射与校验
- **报告生成与展示**：统计考频/分布并生成分析报告，支持导出 PDF

![试题分析报告示例](https://raw.githubusercontent.com/1firecracker/Agent-For-Exam/main/image/exam%20analysis.png)

### 4. 试题生成

### 5. 智能批改

- **学生答卷处理**
  - 支持 PDF/DOCX/TXT 格式答卷上传
  - 自动解析答案（支持多种格式：Q001、GEN_001、数字序号等）
  - 智能匹配题目 ID

- **自动评分与反馈**
  - 评分报告（每题得分、反馈、问题点、改进建议）
  - 整体质量分析（平均分、知识点掌握情况）
  - 薄弱知识点识别与推荐

## 项目特性

### 1. 对话 / 学科隔离架构
- **按学科/对话划分工作空间**：每个学科（subject）或独立对话拥有自己的存储目录和 LightRAG 实例
- **知识图谱按学科隔离**：不同学科之间的知识图谱完全独立；同一学科下的多个对话共享同一套知识图谱与向量库
- **灵活管理**：支持创建、删除、切换对话，便于在同一学科下管理多轮练习，也便于在不同学科之间隔离项目

### 2. 智能知识抽取流程
- **分块处理**: 文档自动分块（默认 600 tokens，重叠 50 tokens）
- **并行提取**: 多个 Chunk 并行调用 LLM 提取实体和关系
- **智能合并**: 自动识别并合并相同实体，生成综合描述
- **关系补全**: 处理关系时自动创建缺失的实体节点

### 3. 多模式查询系统
- **naive 模式**: 纯向量相似度检索，适合简单查询
- **local 模式**: 基于局部知识图谱的子图检索
- **global 模式**: 基于全局知识图谱的关系检索
- **mix 模式**: 混合多种检索方式，提供最全面的答案（推荐）

### 4. 高性能异步架构
- **异步处理**: 文档上传后立即返回，后台异步处理
- **并发控制**: 可配置的并发数，平衡性能和资源使用
- **非阻塞 API**: 所有耗时操作均为异步，不阻塞请求

### 5. 教育场景优化
- **完整教学闭环**: 文档上传 → 知识抽取 → 试题生成 → 学生答题 → 自动批改 → 学习建议
- **知识图谱驱动**: 基于知识图谱生成高质量题目
- **智能质量控制**: 自动检测重复题、语言统一、知识点覆盖

### 6. Agent 模式技术说明（简要）

Agent 模式基于 **OpenAI 兼容的 tools / function calling 能力** 实现，通过结构化的工具定义，让后端业务函数可以被大模型“感知”和调用，整体流程如下：

1. **工具注册**：在后端通过 `ToolRegistry` 注册多个工具（如 `generate_mindmap`、`query_knowledge_graph`、`list_documents`、`read`），并为每个工具定义名称、描述和参数 JSON Schema。
2. **暴露给 LLM**：在调用 LLM 的请求中，通过 `tools` 字段将所有可用工具的信息传给模型，并使用 `tool_choice=auto` 让模型根据用户需求自动选择是否调用工具。
3. **模型决定工具调用**：当模型认为需要调用工具时，会返回结构化的 `tool_calls` 字段（包含要调用的工具名和参数 JSON 字符串），而不是普通自然语言文本。
4. **后端执行与二次调用**：后端解析 `tool_calls`，执行对应的 Python 处理函数，获得结果后以 `tool` 消息的形式回传给 LLM，随后再次调用 LLM 生成面向用户的自然语言最终回答。

当前 Agent 模式主要围绕考试与教学场景，重点支持 **文档列表获取、知识图谱查询、思维导图生成、按页阅读文档** 等工具，后续可以按相同方式扩展新的工具和能力。

## 技术栈

### 后端
- **FastAPI** - 高性能异步 Web 框架
- **LightRAG** - 知识图谱构建和检索增强生成框架
- **NetworkX** - 图数据结构存储（GraphML 格式）
- **pdfplumber / PyMuPDF** - PDF 文档解析
- **python-pptx** - PPTX 文档解析
- **Gitee OCR** - PDF OCR 识别（可选，支持中文识别）

### 前端
- **Vue 3** - 渐进式前端框架（Composition API）
- **Element Plus** - 企业级 UI 组件库
- **Pinia** - 现代化状态管理
- **Vue Router** - 单页应用路由管理
- **Cytoscape.js** - 知识图谱可视化引擎
- **Markmap** - 思维导图可视化引擎（markmap-view, markmap-lib）
- **JSZip** - ZIP 文件生成库（用于 XMind 导出）
- **Axios** - HTTP 客户端库
- **Vite** - 快速的前端构建工具

### 存储架构
- **KV 存储**: JSON 文件存储（开发环境）
- **向量存储**: NanoVectorDB（轻量级向量数据库）
- **图存储**: NetworkX（GraphML 文件存储）
- **文档状态**: JSON 文件存储

Agent-For-Exam

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README