Что такое Yuxi

На GitHub появился проект Yuxi (语析) — открытая multi-tenant платформа для построения корпоративных AI-агентов, которая объединяет RAG-поиск, граф знаний и оркестрацию мультиагентов в едином рабочем пространстве. Это open-source платформа разработки интеллектуальных агентов на базе LLM, сочетающая RAG (Retrieval-Augmented Generation) с возможностями графа знаний — для создания production-ready агентов, способных рассуждать над структурированными и неструктурированными данными.

Платформа построена на стеке Vue.js + FastAPI + LangGraph v1 + LightRAG и обеспечивает сквозной процесс: от загрузки документов и построения графа знаний до оркестрации агентов и потокового вывода ответов.

Ключевые возможности

В ядре платформы — граф знаний на Neo4j, RAG через LightRAG и большие языковые модели. Такая комбинация позволяет создавать сложных агентов, способных синтезировать и рассуждать над большими объёмами данных, снижая галлюцинации и повышая фактическую точность.

Граф знаний в Yuxi — не просто визуализация. LightRAG автоматически извлекает сущности и связи из документов, строит граф в Neo4j и делает его доступным агенту для сложного многошагового рассуждения. Граф участвует в инференсе напрямую — его не нужно запрашивать вручную.

Неважно, нужен ли простой RAG-чатбот или сложная мультиагентная система с вызовом инструментов, MCP-интеграциями и human-in-the-loop — Yuxi предоставляет готовый каркас.

ℹ Multi-tenant архитектура
Администраторы настраивают базы знаний, модели и права доступа. Пользователи общаются с агентами через интерфейс в стиле ChatGPT — со ссылками на источники и визуализацией графа знаний.

Технологический стек

СлойТехнологии
FrontendVue 3 · Vite · Pinia
BackendFastAPI · LangGraph · ARQ (async worker)
ХранилищаPostgreSQL · Redis · MinIO · Milvus · Neo4j
Парсинг документовMinerU · PaddleX · RapidOCR
ДеплойDocker Compose

Базы знаний реализованы через паттерн «фабрика», что позволяет подключать новые типы KB (Milvus, LightRAG, Dify) декларативно. Процессоры документов аналогично управляются через фабрику с кешированием синглтонов — поддерживается пять бэкендов парсинга: MinerU, PaddleX, DeepSeek OCR и другие.

Архитектура платформы


graph TD
    A[Пользователь / Интерфейс Vue 3] --> B[FastAPI Backend]
    B --> C[LangGraph Оркестратор]
    C --> D[RAG — Milvus]
    C --> E[Граф знаний — Neo4j + LightRAG]
    C --> F[Инструменты / Skills / MCP]
    C --> G[DeepAgents / Sub-agents]
    B --> H[Парсинг документов]
    H --> I[MinerU / PaddleX / RapidOCR]
    B --> J[Хранилища]
    J --> K[PostgreSQL · Redis · MinIO]

История версий и прогресс

В версии v0.4.0 (декабрь 2025) появились: загрузка файлов через middleware агентов, поддержка мультимодальных моделей, DeepAgents для глубокого анализа, генерация mind map из базы знаний, функции оценки и улучшенный dark mode.

Версия v0.5.0-beta (январь 2026) принесла улучшенный OCR с поддержкой Deepseek OCR, оптимизированный RAG в Agentic Mode и улучшенную логику конфигурации базы знаний.

Начиная с v0.6.0 агенты получили доступ к изолированной sandbox-среде с виртуальной файловой системой. Текущая публичная ветка — v0.7.0.beta3.

💡 Лёгкий запуск
Если тяжёлые зависимости (Neo4j, Milvus) не нужны, запустите платформу в облегчённом режиме командой make up-lite — холодный старт будет значительно быстрее.

Быстрый старт

# Клонировать репозиторий
git clone --branch v0.7.0.beta3 --depth 1 https://github.com/xerrors/Yuxi.git
cd Yuxi

# Инициализация (Linux/macOS)
./scripts/init.sh

# Запуск
docker compose up --build

После запуска откройте http://localhost:5173 и войдите с учётными данными администратора, созданными при инициализации.

⚠ Предварительные требования
Для запуска необходимы установленные Docker и Docker Compose, а также хотя бы один API большой языковой модели, совместимый с форматом OpenAI.

Контекст: зачем это важно

RAG — это уже не просто «поиск по чанкам». Граф знаний превращает статичные данные в динамический движок рассуждений.

LangGraph превращает статичные графы знаний в динамические движки рассуждений для сложных многошаговых обходов. Представляя базу знаний как взаимосвязанный граф сущностей, связей и временных последовательностей, можно реализовать multi-hop рассуждение — вместо извлечения изолированных фрагментов система обходит пути связей и предоставляет ответы, демонстрирующие истинное понимание сложных корпоративных сценариев.

Ключевой инсайт: production RAG — это не только лучший поиск, но и оркестрация нескольких специализированных агентов, способных обрабатывать нюансы корпоративной работы со знаниями.

Yuxi решает именно эту задачу: объединяет граф знаний, векторный поиск и мультиагентную оркестрацию в одном готовом к деплою open-source продукте под MIT-лицензией.

Репозиторий: github.com/xerrors/Yuxi