首页
/ WeKnora API完全手册：掌握语义检索与智能问答的调用技巧

WeKnora API完全手册：掌握语义检索与智能问答的调用技巧

2026-02-05 05:00:18作者：裴锟轩Denise
WeKnora
LLM-powered framework for deep document understanding, semantic retrieval, and context-aware answers using RAG paradigm.
项目地址：https://gitcode.com/GitHub_Trending/we/WeKnora

在当今信息爆炸的时代，企业和开发者面临着如何高效处理海量文档、实现精准信息检索以及构建智能问答系统的挑战。传统的关键词匹配方式已无法满足深度语义理解的需求，而基于大语言模型（LLM）的检索增强生成（RAG）技术为解决这一痛点提供了新的范式。WeKnora作为一款功能强大的LLM框架，通过API接口将复杂的语义检索与智能问答能力开放给开发者，帮助用户轻松构建上下文感知的智能应用。

本文将从API基础、核心功能调用、实战案例到高级技巧，全面介绍WeKnora API的使用方法，助力开发者快速掌握语义检索与智能问答的调用技巧，让你的应用具备强大的文档理解和智能交互能力。

API基础：快速上手WeKnora接口

WeKnora API采用RESTful设计风格，提供了一套完整的接口用于管理租户、知识库、知识内容、模型、会话等资源，以及执行语义检索和智能问答等核心功能。在开始调用API之前，我们需要先了解API的基础信息和认证机制。

基础信息与认证

WeKnora API的基础URL为/api/v1，所有API请求都需要在此基础上构建。API支持JSON格式的请求和响应，便于数据的解析和处理。

认证方面，WeKnora采用API Key的方式进行身份验证。所有API请求都需要在HTTP请求头中包含X-API-Key字段，其值为用户的API Key。例如：

X-API-Key: sk-aaLRAgvCRJcmtiL2vLMeB1FB5UV0Q-qB7DlTE1pJ9KA93XZG

为了便于问题追踪和调试，建议在每个请求的HTTP头中添加X-Request-ID字段，其值为一个唯一的请求ID。

API Key可以通过创建租户时获取，具体方法将在后续的租户管理API部分介绍。请妥善保管你的API Key，避免泄露，因为它代表你的账户身份，拥有完整的API访问权限。

API概览

WeKnora API按功能可以分为以下几类：

  1. 租户管理：创建和管理租户账户，租户是WeKnora系统中的独立实体，用于隔离不同用户或组织的数据和资源。
  2. 知识库管理：创建、查询和管理知识库，知识库是存储和组织知识内容的容器。
  3. 知识管理：上传、检索和管理知识内容，知识内容可以是文件、URL等多种形式。
  4. 模型管理：配置和管理各种AI模型，包括嵌入模型、摘要模型、重排序模型等。
  5. 分块管理：管理知识的分块内容，分块是知识内容经过拆分后的基本单位，便于高效检索。
  6. 会话管理：创建和管理对话会话，会话用于维护上下文信息，支持多轮对话。
  7. 聊天功能：基于知识库进行问答，支持流式响应，提供流畅的交互体验。
  8. 消息管理：获取和管理对话消息，便于查看历史对话记录。
  9. 评估功能：评估模型性能，帮助用户了解和优化模型的表现。

详细的API文档可以参考docs/API.md，其中包含了每个API的详细说明、请求参数和响应示例。

错误处理

WeKnora API使用标准的HTTP状态码表示请求状态，并返回统一的错误响应格式。当请求失败时，API会返回一个JSON对象，包含success、error等字段，其中error字段包含错误代码、错误信息和错误详情。例如：

{
  "success": false,
  "error": {
    "code": "ERROR_CODE",
    "message": "错误信息",
    "details": "错误详情"
  }
}

常见的HTTP状态码包括：

  • 200：请求成功
  • 400：请求参数错误
  • 401：未授权，API Key无效或缺失
  • 403：禁止访问，没有权限执行该操作
  • 404：资源不存在
  • 500：服务器内部错误

在实际开发中，建议根据API返回的状态码和错误信息进行相应的错误处理，以提高应用的健壮性。

核心功能调用：从知识库创建到智能问答

WeKnora的核心功能包括知识库管理、知识内容上传、语义检索和智能问答等。下面我们将详细介绍这些核心功能的API调用方法，并结合代码示例进行说明。

租户管理：API访问的基石

租户是WeKnora系统中的基本管理单位，每个租户拥有独立的API Key、知识库、模型等资源。在使用WeKnora API之前，我们需要先创建一个租户，以获取API Key。

创建租户

创建租户的API为POST /tenants，请求参数包括租户名称、描述、业务类型以及检索引擎配置等。例如：

curl --location 'http://localhost:8080/api/v1/tenants' \
--header 'Content-Type: application/json' \
--data '{
    "name": "weknora",
    "description": "weknora tenants",
    "business": "wechat",
    "retriever_engines": {
        "engines": [
            {
                "retriever_type": "keywords",
                "retriever_engine_type": "postgres"
            },
            {
                "retriever_type": "vector",
                "retriever_engine_type": "postgres"
            }
        ]
    }
}'

成功创建租户后，API会返回租户的详细信息，包括租户ID、名称、描述、API Key等。其中，API Key是后续调用其他API的重要凭证，需要妥善保存。

{
    "data": {
        "id": 10000,
        "name": "weknora",
        "description": "weknora tenants",
        "api_key": "sk-aaLRAgvCRJcmtiL2vLMeB1FB5UV0Q-qB7DlTE1pJ9KA93XZG",
        "status": "active",
        "retriever_engines": {
            "engines": [
                {
                    "retriever_engine_type": "postgres",
                    "retriever_type": "keywords"
                },
                {
                    "retriever_engine_type": "postgres",
                    "retriever_type": "vector"
                }
            ]
        },
        "business": "wechat",
        "storage_quota": 10737418240,
        "storage_used": 0,
        "created_at": "2025-08-11T20:37:28.396980093+08:00",
        "updated_at": "2025-08-11T20:37:28.396980301+08:00",
        "deleted_at": null
    },
    "success": true
}

获取租户信息

创建租户后，可以通过GET /tenants/:id API获取指定租户的信息，其中:id为租户ID。例如：

curl --location 'http://localhost:8080/api/v1/tenants/10000' \
--header 'Content-Type: application/json' \
--header 'X-API-Key: sk-aaLRAgvCRJcmtiL2vLMeB1FB5UV0Q-qB7DlTE1pJ9KA93XZG'

响应结果包含租户的详细信息，与创建租户时返回的信息类似。

知识库管理：组织和管理你的知识

知识库是WeKnora中用于存储和组织知识内容的容器。每个知识库可以包含多个知识项，如文件、URL等，并且可以配置分块策略、嵌入模型、重排序模型等参数。

创建知识库

创建知识库的API为POST /knowledge-bases，请求参数包括知识库名称、描述、分块配置、图像处理配置、嵌入模型ID、摘要模型ID、重排序模型ID等。例如：

curl --location 'http://localhost:8080/api/v1/knowledge-bases' \
--header 'Content-Type: application/json' \
--header 'X-API-Key: sk-vQHV2NZI_LK5W7wHQvH3yGYExX8YnhaHwZipUYbiZKCYJbBQ' \
--data '{
    "name": "weknora",
    "description": "weknora description",
    "chunking_config": {
        "chunk_size": 1000,
        "chunk_overlap": 200,
        "separators": [
            "."
        ],
        "enable_multimodal": true
    },
    "image_processing_config": {
        "model_id": "f2083ad7-63e3-486d-a610-e6c56e58d72e"
    },
    "embedding_model_id": "dff7bc94-7885-4dd1-bfd5-bd96e4df2fc3",
    "summary_model_id": "8aea788c-bb30-4898-809e-e40c14ffb48c",
    "rerank_model_id": "b30171a1-787b-426e-a293-735cd5ac16c0",
    "vlm_model_id": "f2083ad7-63e3-486d-a610-e6c56e58d72e",
    "vlm_config": {
        "model_name": "qwen2.5vl:3b",
        "interface_type": "ollama",
        "base_url": "",
        "api_key": ""
    }
}'

分块配置（chunking_config）用于指定如何将知识内容拆分为分块，包括分块大小（chunk_size）、分块重叠（chunk_overlap）、分隔符（separators）以及是否启用多模态（enable_multimodal）等参数。合理的分块策略可以提高检索的准确性和效率。

成功创建知识库后，API会返回知识库的详细信息，包括知识库ID、名称、描述等。

在代码中，我们可以使用WeKnora的Go客户端来创建知识库。例如：

// Create a knowledge base
kb := &KnowledgeBase{
    Name:        "Test Knowledge Base",
    Description: "This is a test knowledge base",
    ChunkingConfig: ChunkingConfig{
        ChunkSize:    500,
        ChunkOverlap: 50,
        Separators:   []string{"\n\n", "\n", ". ", "? ", "! "},
    },
    ImageProcessingConfig: ImageProcessingConfig{
        ModelID: "image_model_id",
    },
    EmbeddingModelID: "embedding_model_id",
    SummaryModelID:   "summary_model_id",
}

createdKB, err := apiClient.CreateKnowledgeBase(context.Background(), kb)
if err != nil {
    fmt.Printf("Failed to create knowledge base: %v\n", err)
    return
}
fmt.Printf("Knowledge base created successfully: ID=%s, Name=%s\n", createdKB.ID, createdKB.Name)

上述代码示例来自client/example.go，展示了如何使用Go客户端创建知识库。

混合搜索知识库内容

WeKnora支持混合搜索，即结合关键词检索和向量检索的优势，提高检索的准确性和召回率。混合搜索知识库内容的API为GET /knowledge-bases/:id/hybrid-search，请求参数包括查询文本、向量阈值、关键词阈值以及匹配数量等。例如：

curl --location --request GET 'http://localhost:8080/api/v1/knowledge-bases/kb-00000001/hybrid-search' \
--header 'Content-Type: application/json' \
--header 'X-API-Key: sk-vQHV2NZI_LK5W7wHQvH3yGYExX8YnhaHwZipUYbiZKCYJbBQ' \
--data '{
    "query_text": "彗星",
    "vector_threshold": 0.1,
    "keyword_threshold": 0.1,
    "match_count": 1
}'

响应结果包含匹配的知识分块列表，每个分块包含ID、内容、知识ID、分块索引、标题、得分等信息。例如：

{
    "data": [
        {
            "id": "7d955251-3f79-4fd5-a6aa-02f81e044091",
            "content": "有几位后来xxxxx",
            "knowledge_id": "a6790b93-4700-4676-bd48-0d4804e1456b",
            "chunk_index": 3,
            "knowledge_title": "彗星.txt",
            "start_at": 2287,
            "end_at": 2760,
            "seq": 3,
            "score": 0.7402352891601821,
            "match_type": 2,
            "sub_chunk_id": null,
            "metadata": {},
            "chunk_type": "text",
            "parent_chunk_id": "",
            "image_info": "",
            "knowledge_filename": "彗星.txt",
            "knowledge_source": ""
        }
    ],
    "success": true
}

WeKnora的混合搜索流程可以用下图表示：

WeKnora混合搜索流程

该图展示了WeKnora从接收用户查询到返回搜索结果的整个流程，包括查询重写、关键词检索、向量检索、结果融合、重排序等步骤。

知识管理：上传和管理你的知识内容

知识管理API用于上传、查询、更新和删除知识内容。WeKnora支持从文件和URL创建知识，满足不同场景下的知识获取需求。

从文件创建知识

从文件创建知识的API为POST /knowledge-bases/:id/knowledge/file，其中:id为知识库ID。该API支持上传各种类型的文件，如文本文件、PDF文件、图片等，并会自动对文件进行解析和分块处理。例如：

curl --location 'http://localhost:8080/api/v1/knowledge-bases/kb-00000001/knowledge/file' \
--header 'Content-Type: application/json' \
--header 'X-API-Key: sk-vQHV2NZI_LK5W7wHQvH3yGYExX8YnhaHwZipUYbiZKCYJbBQ' \
--form 'file=@"/Users/xxxx/tests/彗星.txt"' \
--form 'enable_multimodel="true"'

响应结果包含知识的详细信息，如ID、标题、文件类型、大小、解析状态等。例如：

{
    "data": {
        "id": "4c4e7c1a-09cf-485b-a7b5-24b8cdc5acf5",
        "tenant_id": 1,
        "knowledge_base_id": "kb-00000001",
        "type": "file",
        "title": "彗星.txt",
        "description": "",
        "source": "",
        "parse_status": "processing",
        "enable_status": "disabled",
        "embedding_model_id": "dff7bc94-7885-4dd1-bfd5-bd96e4df2fc3",
        "file_name": "彗星.txt",
        "file_type": "txt",
        "file_size": 7710,
        "file_hash": "d69476ddbba45223a5e97e786539952c",
        "file_path": "data/files/1/4c4e7c1a-09cf-485b-a7b5-24b8cdc5acf5/1754970756171067621.txt",
        "storage_size": 0,
        "metadata": null,
        "created_at": "2025-08-12T11:52:36.168632288+08:00",
        "updated_at": "2025-08-12T11:52:36.173612121+08:00",
        "processed_at": null,
        "error_message": "",
        "deleted_at": null
    },
    "success": true
}

在代码中，我们可以使用Go客户端的CreateKnowledgeFromFile方法上传文件：

// Upload knowledge file
filePath := "path/to/sample.pdf" // Sample file path

// Check if file exists before uploading
if _, err := os.Stat(filePath); os.IsNotExist(err) {
    fmt.Printf("File does not exist: %s, skipping upload step\n", filePath)
} else {
    // Add metadata
    metadata := map[string]string{
        "source": "local",
        "type":   "document",
    }
    knowledge, err := apiClient.CreateKnowledgeFromFile(context.Background(), createdKB.ID, filePath, metadata, nil)
    if err != nil {
        fmt.Printf("Failed to upload knowledge file: %v\n", err)
    } else {
        fmt.Printf("File uploaded successfully: Knowledge ID=%s, Title=%s\n", knowledge.ID, knowledge.Title)
    }
}

上述代码示例来自client/example.go，展示了如何上传文件到知识库。

智能问答：与你的知识进行交互

智能问答是WeKnora的核心功能之一，它基于知识库中的内容，结合LLM的生成能力，为用户提供准确、相关的答案。WeKnora支持普通问答和流式问答两种模式，满足不同的交互需求。

创建会话

在进行智能问答之前，需要先创建一个会话。会话用于维护对话的上下文信息，支持多轮对话。创建会话的API为POST /sessions，请求参数包括知识库ID、会话策略等。例如：

// Create a session
sessionRequest := &CreateSessionRequest{
    KnowledgeBaseID: createdKB.ID,
    SessionStrategy: &SessionStrategy{
        MaxRounds:        10,
        EnableRewrite:    true,
        FallbackStrategy: "fixed_answer",
        FallbackResponse: "Sorry, I cannot answer this question",
        EmbeddingTopK:    5,
        KeywordThreshold: 0.5,
        VectorThreshold:  0.7,
        RerankModelID:    "rerank_model_id",
        RerankTopK:       3,
        RerankThreshold:  0.8,
        SummaryModelID:   "summary_model_id",
        SummaryParameters: &SummaryConfig{
            Temperature: 0.7,
            TopP:        0.9,
            MaxTokens:   100,
        },
    },
}

session, err := apiClient.CreateSession(context.Background(), sessionRequest)
if err != nil {
    fmt.Printf("Failed to create session: %v\n", err)
    return
}
fmt.Printf("Session created successfully: ID=%s\n", session.ID)

上述代码示例来自client/example.go，展示了如何创建会话。会话策略（SessionStrategy）用于配置会话的各种参数，如最大轮数、查询重写开关、 fallback策略、嵌入模型参数、重排序模型参数等。

流式问答

流式问答可以实时返回答案的生成过程，提供更流畅的交互体验。WeKnora的流式问答API为POST /sessions/:id/qa/stream，其中:id为会话ID。

使用Go客户端进行流式问答的示例代码如下：

// Perform knowledge Q&A (using streaming API)
question := "What is artificial intelligence?"
fmt.Printf("Question: %s\nAnswer: ", question)

var answer strings.Builder
var references []*SearchResult

err = apiClient.KnowledgeQAStream(context.Background(),
    session.ID,
    question,
    func(response *StreamResponse) error {
        if response.ResponseType == ResponseTypeAnswer {
            answer.WriteString(response.Content)
        }

        if response.Done && len(response.KnowledgeReferences) > 0 {
            references = response.KnowledgeReferences
        }
        return nil
    })

if err != nil {
    fmt.Printf("Q&A failed: %v\n", err)
} else {
    fmt.Printf("%s\n", answer.String())
    if len(references) > 0 {
        fmt.Println("References:")
        for i, ref := range references {
            fmt.Printf("%d. %s\n", i+1, ref.Content[:min(50, len(ref.Content))]+"...")
        }
    }
}

上述代码示例来自client/example.go，展示了如何使用流式问答API。通过回调函数，我们可以实时获取LLM生成的答案片段，并将其拼接成完整的答案。同时，API还会返回答案的参考来源，提高答案的可信度。

智能问答的效果可以用下图表示：

WeKnora智能问答效果

该图展示了WeKnora智能问答的界面效果，包括用户的问题、系统的回答以及相关的参考来源。

实战案例：构建一个完整的智能问答应用

为了帮助开发者更好地理解和使用WeKnora API，下面我们将通过一个实战案例，展示如何构建一个完整的智能问答应用。该应用将实现从知识库创建、知识上传到智能问答的整个流程。

案例概述

本案例将构建一个基于WeKnora的智能问答应用，该应用能够：

  1. 创建一个租户，获取API Key。
  2. 创建一个知识库，配置分块策略和模型参数。
  3. 上传一个PDF文件作为知识内容。
  4. 创建一个会话，进行多轮智能问答。
  5. 获取会话历史消息，查看对话记录。

实现步骤

1. 创建租户

首先，使用POST /tenants API创建一个租户，获取API Key。具体代码可以参考前面的租户管理部分。

2. 创建知识库

使用POST /knowledge-bases API创建一个知识库，配置分块策略、嵌入模型、重排序模型等参数。具体代码可以参考前面的知识库管理部分。

3. 上传知识文件

使用POST /knowledge-bases/:id/knowledge/file API上传一个PDF文件到知识库。例如：

filePath := "path/to/your/document.pdf"
metadata := map[string]string{
    "source": "manual",
    "category": "technical",
}
knowledge, err := apiClient.CreateKnowledgeFromFile(context.Background(), createdKB.ID, filePath, metadata, nil)
if err != nil {
    fmt.Printf("Failed to upload knowledge file: %v\n", err)
    return
}
fmt.Printf("File uploaded successfully: Knowledge ID=%s\n", knowledge.ID)

4. 创建会话并进行问答

创建一个会话，然后使用流式问答API进行多轮对话。例如：

// Create session
session, err := apiClient.CreateSession(context.Background(), &CreateSessionRequest{
    KnowledgeBaseID: createdKB.ID,
    // ... other session strategy parameters
})
if err != nil {
    // handle error
}

// Q&A round 1
question1 := "What is the main topic of the document?"
fmt.Printf("Q: %s\nA: ", question1)
var answer1 strings.Builder
err = apiClient.KnowledgeQAStream(context.Background(), session.ID, question1, func(resp *StreamResponse) error {
    answer1.WriteString(resp.Content)
    fmt.Print(resp.Content)
    return nil
})
fmt.Println()

// Q&A round 2
question2 := "Can you explain the key points of section 3?"
fmt.Printf("Q: %s\nA: ", question2)
var answer2 strings.Builder
err = apiClient.KnowledgeQAStream(context.Background(), session.ID, question2, func(resp *StreamResponse) error {
    answer2.WriteString(resp.Content)
    fmt.Print(resp.Content)
    return nil
})
fmt.Println()

5. 获取会话历史消息

使用GET /sessions/:id/messages API获取会话的历史消息，查看对话记录。例如：

messages, err := apiClient.GetRecentMessages(context.Background(), session.ID, 10)
if err != nil {
    // handle error
}
fmt.Printf("Retrieved %d messages:\n", len(messages))
for _, msg := range messages {
    fmt.Printf("%s: %s\n", msg.Role, msg.Content)
}

高级技巧：优化API调用性能

在实际应用中，为了提高API调用的性能和稳定性，可以采用以下高级技巧：

  1. 批量操作：对于需要创建多个知识库或上传多个文件的场景，可以考虑使用批量API（如果支持）或合理组织并发请求，提高处理效率。
  2. 缓存策略：对于频繁访问的知识库信息、模型信息等，可以在客户端进行缓存，减少API调用次数。
  3. 异步处理：对于文件上传、知识解析等耗时操作，可以采用异步处理的方式，避免阻塞主线程。WeKnora的API通常会返回任务ID，客户端可以通过轮询或回调的方式获取处理结果。
  4. 连接池：使用HTTP连接池，复用TCP连接，减少连接建立和关闭的开销。
  5. 错误重试：对于偶发性的网络错误或服务器错误，可以实现指数退避的重试机制，提高请求的成功率。

总结与展望

WeKnora API为开发者提供了强大的语义检索和智能问答能力，通过本文的介绍，相信你已经掌握了WeKnora API的基本使用方法和核心功能调用技巧。从租户创建、知识库管理到知识上传、智能问答，WeKnora提供了一套完整的接口，帮助你快速构建上下文感知的智能应用。

未来，WeKnora将继续优化API性能，增加更多高级功能，如多模态知识处理、个性化推荐等，为开发者提供更好的体验。如果你在使用WeKnora API的过程中遇到任何问题，可以参考官方文档docs/API.md，或查阅源代码client/获取更多示例和细节。

最后，希望本文能够帮助你更好地理解和使用WeKnora API，让你的应用具备强大的文档理解和智能交互能力。如果你觉得本文对你有帮助，欢迎点赞、收藏、关注，获取更多关于WeKnora的技术文章和最佳实践。

WeKnora
LLM-powered framework for deep document understanding, semantic retrieval, and context-aware answers using RAG paradigm.
项目地址：https://gitcode.com/GitHub_Trending/we/WeKnora
登录后查看全文

相关内容推荐

1 WeKnora知识更新终极指南：如何实现实时文档变更的增量嵌入与智能检索2 WeKnora视频教程系列：从基础操作到高级开发的可视化学习3 WeKnora深度解析：如何构建下一代智能文档理解与问答系统4 WeKnora技术博客汇总：深度技术文章与实践案例精选5 WeKnora v2.0版本重磅发布：10大突破性功能全面解析与升级指南6 WeKnora可视化工具：文档知识图谱与检索路径的图形化展示7 WeKnora部署指南：Docker容器化部署与多环境适配最佳实践8 WeKnora错误处理机制：从文档解析失败到检索超时的全面解决方案9 10分钟上手LLM应用开发：从API调用到智能知识库搭建10 【亲测免费】 探索工业自动化的起点：TwinCAT3.1 入门手册
热门项目推荐
相关项目推荐

热门内容推荐

1 【亲测免费】 开源项目 `build-your-own-x` 使用指南2 【亲测免费】 探索科技之旅：《Build Your Own X》项目详解3 GitHub_Trending/bu/build-your-own-x自动化：CI/CD流程在自制项目中的应用4 从零打造智能家居系统：用build-your-own-x实现家庭自动化

最新内容推荐

5分钟掌握ImageSharp色彩矩阵变换：图像色调调整的终极指南3分钟解决Cursor试用限制：go-cursor-help工具全攻略Transmission数据库迁移工具：转移种子状态到新设备如何在VMware上安装macOS？解锁神器Unlocker完整使用指南如何为so-vits-svc项目贡献代码：从提交Issue到创建PR的完整指南Label Studio数据处理管道设计：ETL流程与标注前预处理终极指南突破拖拽限制：React Draggable社区扩展与实战指南如何快速安装 JSON Formatter：让 JSON 数据阅读更轻松的终极指南Element UI表格数据地图：Table地理数据可视化Formily DevTools：让表单开发调试效率提升10倍的神器

项目优选

收起
kernelkernel
deepin linux kernel
C
27
11
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
525
3.72 K
pytorchpytorch
Ascend Extension for PyTorch
Python
332
395
flutter_flutterflutter_flutter
暂无简介
Dart
766
189
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库，实现网络在NPU上加速计算。
C++
878
586
kernelkernel
openEuler内核是openEuler操作系统的核心，既是系统性能与稳定性的基石，也是连接处理器、设备与服务的桥梁。
C
336
165
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
JavaScript
302
352
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台，包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分，采用java语言实现，可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot，Spring Security，JWT，Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.33 K
748
agent-studioagent-studio
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排，模型、知识库、插件等各资源管理能力
TSX
985
246