🔮 DeepQuery — 100% 本地 Agentic RAG 知识库问答系统

100% Local · Privacy-First · Agent-Powered

🎯 What is DeepQuery?

DeepQuery is a 100% locally-running Agentic RAG (Retrieval-Augmented Generation) knowledge-base Q&A system. Upload your documents — PDFs, Word files, Markdown, web pages — and ask questions in natural language. The system retrieves the most relevant passages, re-ranks them for precision, and generates cited answers — all powered by local LLMs through Ollama. No cloud API calls. No data leaves your machine.

一句话概括：DeepQuery 是一个 100% 本地运行的智能知识库问答系统。上传文档 → 自动解析 → 向量检索 → AI 生成回答，全程本地运行，数据不出你的电脑。

✨ 核心特性 | Core Features

📄 多格式文档支持 | Multi-format Documents

🔗 URL 加载 — 输入 PDF / 网页 URL，自动下载并解析
📤 本地上传 — 支持 PDF、Word (.docx)、Markdown、TXT、HTML
🔄 拖拽上传 — Streamlit 原生文件上传组件，体验流畅
💾 来源持久化 — 重启应用后自动恢复已加载的文档列表

🧠 智能检索增强 | Intelligent Retrieval

🔍 向量语义检索 — Google EmbeddingGemma (768维) 嵌入，LanceDB 列式存储
🎯 Cross-Encoder 重排序 — 粗排 Top-20 → 精排 Top-5，显著提升答案准确性
🔧 可替换嵌入模型 — 一行配置切换 embeddinggemma / nomic-embed-text / bge-m3
📊 可替换向量数据库 — 抽象接口设计，可接入 ChromaDB / FAISS / Qdrant

🤖 Agent 智能体能力 | Agentic Capabilities

🛠️ 工具调用 (Function Calling) — 网页搜索 (DuckDuckGo)、数学计算、实时时间查询
💭 ReAct 推理可视化 — 实时展示 Agent 的「思考 → 行动 → 观察 → 回答」全流程
💬 多轮对话记忆 — SQLite 持久化 session + 上下文注入，支持跨对话追问
📜 历史会话管理 — 浏览、切换、重命名、删除历史对话

🎨 专业 UI 设计 | Professional UI

🖥️ ChatGPT 风格布局 — 左侧文档管理 + 右侧对话区，直观高效
🌈 品牌化设计系统 — Indigo + Cyan 浅色主题，立体阴影层级
📱 响应式适配 — 移动端 / 平板均有优化体验
⚡ 流式输出 — 实时打字机效果，体验丝滑

🏗️ 工程化保障 | Engineering Quality

✅ 37 个测试 — 单元测试 (17) + 集成测试 (20)，覆盖核心模块
🔍 CI/CD — GitHub Actions 自动运行 lint + type check + test
📝 完整类型注解 — 所有函数参数和返回值标注类型
📋 Pre-commit Hooks — Black 格式化 + Ruff 检查 + Mypy 类型检查
🗂️ 模块化架构 — 每层职责单一、可替换、可测试

🏗️ Architecture | 架构设计

系统数据流 | Data Flow

flowchart TB
    subgraph Input["📥 文档输入"]
        URL["🌐 PDF / 网页 URL"]
        Upload["📤 本地文件上传<br/>PDF · DOCX · MD · TXT · HTML"]
    end

    subgraph Load["📄 文档处理"]
        Loader["DocumentLoader<br/>格式验证 + 类型判断"]
        Parser["Agno Readers<br/>PDF · DOCX · HTML · Text"]
        Chunk["文本分块<br/>Chunk Size: 1000<br/>Overlap: 200"]
    end

    subgraph Embed["🧠 向量嵌入"]
        Embedder["OllamaEmbedder<br/>EmbeddingGemma 768d<br/>nomic-embed-text · bge-m3"]
    end

    subgraph Store["🗄️ 向量存储"]
        VectorDB["LanceDB<br/>嵌入式 · 列式存储 · 零运维"]
    end

    subgraph Query["🔍 查询流程"]
        Question["❓ 用户提问"]
        VectorSearch["向量检索 Top-K<br/>语义相似度匹配"]
        Reranker["Cross-Encoder Reranker<br/>精排 Top-N"]
        Context["构建上下文<br/>检索结果 + 对话历史"]
    end

    subgraph Generate["🤖 生成回答"]
        LLM["Llama 3.2<br/>qwen2.5 · deepseek-r1 · phi-4"]
        Tools["工具调用<br/>🌐 搜索 · 🔢 计算 · 🕐 时间"]
        Answer["✅ 流式输出回答"]
    end

    URL --> Loader
    Upload --> Loader
    Loader --> Parser
    Parser --> Chunk
    Chunk --> Embedder
    Embedder --> VectorDB

    Question --> VectorSearch
    VectorSearch --> VectorDB
    VectorSearch --> Reranker
    Reranker --> Context
    Context --> LLM
    LLM <--> Tools
    LLM --> Answer

代码分层架构 | Layered Architecture

flowchart LR
    subgraph UI["🖥️ UI 层"]
        App["app.py<br/>Streamlit 纯 UI"]
    end

    subgraph Agent["🤖 Agent 层"]
        AgentFactory["agent.py<br/>Agent 工厂 + 配置"]
        Tools["tools.py<br/>Function Calling"]
        Memory["memory.py<br/>对话记忆 + Session"]
    end

    subgraph Knowledge["📚 知识库层"]
        KB["knowledge_base.py<br/>协调层"]
        Loader["document_loader.py<br/>文档验证"]
    end

    subgraph Infra["🏗️ 基础设施层"]
        VectorStore["vector_store.py<br/>LanceDB + 抽象接口"]
        Embedder["embedder.py<br/>OllamaEmbedder + 抽象接口"]
        Reranker["reranker.py<br/>Cross-Encoder + 抽象接口"]
        Config["config.py<br/>全局配置 + .env"]
    end

    App --> AgentFactory
    AgentFactory --> KB
    AgentFactory --> Tools
    AgentFactory --> Memory
    KB --> Loader
    KB --> VectorStore
    VectorStore --> Embedder
    VectorStore --> Reranker
    AgentFactory -.-> Config
    VectorStore -.-> Config
    Embedder -.-> Config

设计原则：每一层都定义了抽象接口 (BaseVectorStore, BaseEmbedder, BaseReranker)，具体实现可插拔替换。上层模块依赖抽象而非具体实现，遵循依赖倒置原则 (DIP)。

🚀 快速开始 | Quick Start

前置条件 | Prerequisites

Python 3.11+
Ollama 已安装并运行 → 下载 Ollama

Step 1: 克隆项目 + 安装依赖

# 克隆仓库
git clone https://github.com/your-username/deepquery.git
cd deepquery

# 创建虚拟环境（推荐）
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

# 安装依赖
pip install -r requirements.txt

# 复制环境变量配置
cp .env.example .env

Step 2: 下载模型

# 启动 Ollama 服务（如果尚未运行）
ollama serve

# 下载嵌入模型（将文档转为向量）
ollama pull embeddinggemma:latest   # 768维，Google 出品

# 下载生成模型（回答问题）
ollama pull llama3.2:latest         # 轻量高效

# 可选：其他模型
ollama pull qwen2.5:latest          # 中英文均衡
ollama pull deepseek-r1:latest      # 推理能力强

Step 3: 启动应用

streamlit run app.py

浏览器访问 http://localhost:8501，开始使用！🎉

⚡ 3 步体验完整流程

加载文档 → 侧边栏输入 PDF URL，或上传本地文件
等待索引 → 系统自动解析、分块、嵌入、存储（进度条提示）
开始提问 → 在聊天框输入问题，Agent 自动检索知识库并生成回答

📖 使用指南 | User Guide

知识库管理 | Knowledge Base

添加文档来源

方式	操作	支持格式
URL	侧边栏输入框填写 URL	PDF、网页 (HTML)
本地上传	点击 "选择文件" 按钮	PDF、DOCX、MD、TXT、HTML
拖拽上传	拖拽文件到上传区域	同上

管理已加载文档

📋 侧边栏实时展示所有已加载的文档列表
👁️ 每个文档显示名称、类型图标、加载时间
🗑️ 一键清空整个知识库并重建

Agent 功能使用 | Agent Features

工具调用 (Function Calling)

Agent 会自动判断何时需要使用工具，无需手动干预：

工具	触发条件示例	说明
🌐 网页搜索	"最近 AI 领域有什么新闻？"	DuckDuckGo 免费搜索
🔢 数学计算	"计算 2^10 + sqrt(1024)"	安全沙箱 eval
🕐 时间查询	"今天是星期几？"	系统实时时间

可在 .env 中设置 ENABLE_TOOLS=false 关闭工具调用，或通过 TOOLS_EXCLUDE=search_web 禁用特定工具。

ReAct 推理可视化

开启 SHOW_REACT_PROCESS=true（默认）后，每次问答都会展示 Agent 的推理过程：

🟣 思考 (Reasoning) — Agent 内部推理
🔵 行动 (Action) — 调用了哪个工具、传了什么参数
🟢 观察 (Observation) — 工具返回了什么结果
🟠 回答 (Answer) — 基于检索和工具结果的最终回答

对话记忆

默认开启多轮对话记忆（ENABLE_CONVERSATION_MEMORY=true）
Session 自动持久化到 SQLite (data/sessions.db)
侧边栏可浏览、切换、删除历史对话
点击 "新对话" 开始全新会话

配置调优 | Configuration

编辑 .env 文件调整系统参数：

# 切换嵌入模型（修改后需清空知识库重新加载文档）
EMBEDDING_MODEL=nomic-embed-text:latest  # 或 bge-m3:latest
EMBEDDING_DIMENSIONS=768

# 切换 LLM 模型（无需清空知识库）
LLM_MODEL=qwen2.5:latest  # 或 deepseek-r1:latest

# Reranker 调优
RERANKER_ENABLED=true           # 启用/禁用重排序
RERANKER_MODEL=cross-encoder/ms-marco-MiniLM-L-6-v2  # 英文轻量
# RERANKER_MODEL=BAAI/bge-reranker-v2-m3             # 多语言强大
RETRIEVAL_TOP_K=20              # 粗排召回数量
RERANKER_TOP_N=5                # 精排保留数量

# 文档分块
CHUNK_SIZE=1000                 # 文本块大小（字符数）
CHUNK_OVERLAP=200               # 块间重叠（避免截断语义）

# 对话记忆
NUM_HISTORY_RUNS=10             # 携带的历史轮次数

🧠 技术选型说明 | Technical Decisions

为什么选 Ollama？（而非 OpenAI API）

维度	Ollama	OpenAI API
数据隐私	✅ 100% 本地，数据不出机器	❌ 数据上传到云端
运行成本	✅ 完全免费	❌ 按 token 计费
离线可用	✅ 无需网络	❌ 必须联网
模型选择	✅ 开源模型任意切换	❌ 仅限 OpenAI 模型
延迟	取决于本地硬件	取决于网络 + API 负载
适用场景	企业内网、涉密数据、个人研究	通用场景、快速原型

面试话术："我选择 Ollama 是因为它解决了企业级 RAG 最核心的痛点之一——数据隐私。很多企业有严格的合规要求，数据不能离开内网。Ollama + 开源模型实现了完全本地化部署，同时保持了 API 风格的调用接口，兼顾了开发效率和安全性。"

为什么选 LanceDB？（而非 ChromaDB / FAISS / Qdrant）

维度	LanceDB	ChromaDB	FAISS	Qdrant
部署方式	✅ 嵌入式（进程内）	✅ 嵌入式	✅ 库	❌ 需独立服务
存储格式	Lance（列式）	SQLite	内存/磁盘	自定义
混合检索	✅ 向量 + 全文	⚠️ 有限	❌ 仅向量	✅ 完整
大规模性能	✅ 列式扫描快	⚠️ 中等	✅ 顶尖	✅ 优秀
运维成本	✅ 零（纯文件）	✅ 零	✅ 零	❌ 需维护服务
生态集成	Agno 原生支持	LangChain 友好	Meta 出品	Rust 高性能

面试话术："LanceDB 的最大优势是嵌入式 + 列式存储。对于个人项目和小团队部署，不需要额外维护一个向量数据库服务——数据直接存在本地文件里，备份和迁移就是复制文件夹。底层基于 Lance 列式格式，扫描性能远超基于行的存储。而且它原生支持向量检索 + 全文检索的混合搜索，这是 ChromaDB 目前比较欠缺的。"

为什么选 Agno？（而非 LangChain / LlamaIndex）

维度	Agno	LangChain	LlamaIndex
学习曲线	✅ 低（声明式 API）	❌ 陡峭（链式抽象多）	⚠️ 中等
Agent 支持	✅ 核心能力	⚠️ 复杂	⚠️ 有限
Ollama 集成	✅ 原生支持	⚠️ 需社区适配器	⚠️ 需社区适配器
工具调用	✅ 自动 JSON Schema	⚠️ 需手动定义	⚠️ 有限
代码量	✅ 简洁（10行创建Agent）	❌ 样板代码多	⚠️ 中等
生产就绪	✅ Service + API	✅ 成熟生态	✅ 检索专注

面试话术："选择 Agno 的核心原因是它的 Agent 一等公民设计。在 LangChain 里，Agent 是链条中的一个节点；在 Agno 里，Agent 是核心抽象，知识库、工具、记忆都是 Agent 的附属能力。这使得代码组织更自然——Agent.knowledge 而非 chain.add_retriever()。另外 Agno 对 Ollama 的原生支持让本地部署零摩擦，不需要额外适配。"

为什么需要 Reranker？

Without Reranker:
  用户查询 → 向量检索 Top-5 → 直接送入 LLM
  问题: 向量相似度 ≠ 语义相关性，Top-5 中可能混入无关内容

With Reranker:
  用户查询 → 向量检索 Top-20 (粗排) → Cross-Encoder 精排 → Top-5 → LLM
  优势: Cross-Encoder 同时看 query 和 document 全文，
       理解句间关系，精准度远超双塔模型

面试话术："Reranker 是 RAG 系统的关键优化点。向量检索使用的是双塔模型——query 和 document 分别编码后算余弦相似度，两者在编码时互不可见。Cross-Encoder Reranker 将 query 和 document 拼接后一起编码，能捕捉到词级交互和句间关系，相关性判断准确得多。代价是计算量更大，所以不能对全库做，只对粗排的 Top-K 候选做精排。"

📁 项目结构 | Project Structure

agentic_rag/
├── app.py                         # 🖥️  Streamlit UI 入口（纯界面层）
├── src/                           # 📦 核心源码
│   ├── __init__.py
│   ├── config.py                  # ⚙️  全局配置（所有可调参数集中管理）
│   ├── agent.py                   # 🤖  Agent 工厂（创建 + 配置 Agno Agent）
│   ├── knowledge_base.py          # 📚  知识库管理器（文档→嵌入→存储的协调层）
│   ├── document_loader.py         # 📄  文档加载器（格式验证 + 类型判断）
│   ├── vector_store.py            # 🗄️  向量数据库抽象层（LanceDB 实现）
│   ├── embedder.py                # 🧠  嵌入模型抽象层（OllamaEmbedder 实现）
│   ├── reranker.py                # 🎯  Cross-Encoder 重排序模块
│   ├── memory.py                  # 💬  多轮对话记忆 + Session 管理
│   └── tools.py                   # 🛠️  Agent 工具（搜索、计算、时间）
├── tests/                         # 🧪 测试
│   ├── __init__.py
│   ├── conftest.py                # Pytest fixtures
│   ├── test_document_loader.py    # 6 个单元测试
│   ├── test_embedder.py           # 10 个单元测试
│   ├── test_knowledge_base.py     # 3 个单元测试
│   └── test_integration.py        # 18 个集成测试（需要 Ollama）
├── data/                          # 📊 数据目录
│   ├── lancedb/                   # LanceDB 向量数据库文件
│   ├── uploads/                   # 用户上传的文档
│   ├── sessions.db                # SQLite 对话历史
│   └── loaded_sources.json        # 已加载来源持久化
├── .streamlit/
│   └── config.toml                # 🎨 Streamlit 主题配置
├── .github/workflows/
│   └── ci.yml                     # 🔄 GitHub Actions CI 流水线
├── .env.example                   # 📝 环境变量模板
├── .pre-commit-config.yaml        # ✅ Pre-commit Hooks 配置
├── pyproject.toml                 # 📋 项目元数据 + 工具链配置
├── requirements.txt               # 📦 Python 依赖列表
└── README.md                      # 📖 本文件

🔧 开发指南 | Development Guide

运行测试

# 单元测试（不需要 Ollama，任何时候都能跑）
pytest tests/ -v -m "not integration"

# 单个测试文件
pytest tests/test_document_loader.py -v

# 集成测试（需要 Ollama 运行 + 模型已下载）
pytest tests/ -v -m "integration"

# 全部测试（需要 Ollama）
pytest tests/ -v

代码质量

# 安装 pre-commit hooks（首次）
pip install pre-commit
pre-commit install

# 手动运行所有检查
pre-commit run --all-files

# 单独运行各工具
black src/ tests/ app.py          # 格式化
ruff check src/ tests/ app.py     # 代码检查
mypy src/ --ignore-missing-imports # 类型检查

添加新功能

项目采用抽象接口 + 具体实现的架构模式，添加新能力非常直观：

1. 添加新的嵌入模型

# 只需修改 .env 中的一行配置
EMBEDDING_MODEL=nomic-embed-text:latest

2. 添加新的向量数据库

# 在 vector_store.py 中实现 BaseVectorStore 接口
class ChromaDBStore(BaseVectorStore):
    def add(self, documents): ...
    def search(self, query_vector, top_k): ...
    def delete(self): ...
    def exists(self): ...

# 然后在 knowledge_base.py 中注入使用
kb = KnowledgeBaseManager(vector_store=ChromaDBStore())

3. 添加新的 Agent 工具

# 在 tools.py 中添加工具函数
def my_new_tool(param: str) -> str:
    """Tool description (used to generate JSON Schema).

    Args:
        param: Parameter description.

    Returns:
        Tool result.
    """
    # 实现逻辑
    return result

# Agno 自动从 docstring + type hints 生成 JSON Schema
DEFAULT_TOOLS.append(Function.from_callable(my_new_tool))

4. 添加新的文档格式

# 在 document_loader.py 的 SUPPORTED_SUFFIXES 中添加
SUPPORTED_SUFFIXES = {".pdf", ".txt", ".md", ".docx", ".html", ".epub", ".csv"}
# Agno 已内置了大多数格式的 Reader，无需额外代码

CI/CD 流水线

每次 push 到 main 分支或提交 PR 时，GitHub Actions 自动运行：

Job	内容
🔍 Lint & Type Check	Ruff + Black + Mypy
🧪 Unit Tests	pytest (Python 3.11 + 3.12) 跳过集成测试

📊 技术栈 | Tech Stack

层级	技术	选型理由
UI 框架	Streamlit	纯 Python，快速构建数据应用
Agent 框架	Agno	Agent 一等公民，Ollama 原生支持
LLM 运行时	Ollama	100% 本地，数据隐私，零成本
嵌入模型	EmbeddingGemma (768d)	Google 出品，质量可靠
生成模型	Llama 3.2	Meta 开源，轻量高效
向量数据库	LanceDB	嵌入式，列式存储，零运维
Reranker	Sentence-Transformers	Cross-Encoder 精排，本地运行
文档解析	pypdf / python-docx / BS4	多格式覆盖
搜索工具	DuckDuckGo (ddgs)	免费，无需 API Key
测试框架	pytest	Python 生态标准
代码质量	Black + Ruff + Mypy	格式化 + Lint + 类型检查
CI/CD	GitHub Actions	每次 push 自动检查

🗺️ 路线图 | Roadmap

参见项目 TODO.md 的完整规划，以下是重点方向：

混合检索 (Hybrid Search) — 向量检索 + 关键词匹配 (BM25)，提升召回率
引用溯源 — 回答中标注信息来源（哪个文档、哪一页）
多知识库管理 — 创建/切换不同的知识库（论文库、技术文档库等）
GraphRAG — 知识图谱增强检索，抽取实体和关系
Docker 化 — 一键部署 docker-compose up
API 模式 — FastAPI 接口，供其他应用调用
量化支持 — llama.cpp GGUF 量化模型，降低显存占用
多 Agent 协作 — 检索 Agent + 回答 Agent + 验证 Agent

🙋 FAQ

Q: RAG 的 Chunk Size 怎么选的？

默认 CHUNK_SIZE=1000 字符、CHUNK_OVERLAP=200 字符。1000 字符大约是 250-300 个英文单词或 500-600 个中文字，这个粒度在语义完整性和检索精度之间取得了平衡。Overlap 设为 20% 避免关键信息刚好落在两个 chunk 的边界被截断。

可以根据文档类型调整：代码文档可以用更小的 chunk（500），论文/书籍可以用更大的（1500-2000）。

Q: 怎么评估检索效果？

当前项目通过集成测试（test_integration.py）验证端到端流程正确性。生产级评估需要：

离线评估 — 准备标注数据集（问题 + 正确答案），计算 Recall@K、MRR、NDCG
在线评估 — 用户反馈（点赞/点踩）、人工抽检
RAGAS 框架 — 自动化评估 Faithfulness（忠实度）、Answer Relevance（答案相关性）、Context Relevance（上下文相关性）

Reranker 是提升检索质量最直接的优化手段——本项目已实现。

Q: 如果文档很大（几百页），怎么优化检索速度？

分层检索 — 先检索章节/段落，再检索具体内容块
摘要索引 — 为每个文档预生成摘要，检索时先匹配摘要
增加粗排召回量 + Reranker 精排 — 本项目已采用此方案（Top-20 → Top-5）
切换更快的嵌入模型 — nomic-embed-text 比 embeddinggemma 更快
GPU 加速 — Ollama 自动利用 GPU，模型加载到显存后推理速度提升数倍

Q: 怎么处理检索不到相关内容的情况（防幻觉）？

Agent 的系统指令中明确要求：

"If the answer is not found in the knowledge base, say so honestly."

同时通过 Reranker 提升检索精度（减少无关内容混入），以及工具调用能力让 Agent 在知识库无结果时可以搜索网页补充信息。未来计划加入引用溯源，强制每个断言都有来源支撑。

Q: 和直接用 ChatGPT 传文件有什么区别？

维度	DeepQuery	ChatGPT 传文件
数据隐私	✅ 数据不上传	❌ 上传到 OpenAI 服务器
运行成本	✅ 免费（本地算力）	❌ 需 Plus 订阅
离线可用	✅ 完全离线	❌ 必须联网
模型选择	✅ 任意开源模型	❌ 只能用 OpenAI 模型
知识库规模	✅ 无上限（本地磁盘）	⚠️ 单次上传有文件大小限制
持久化	✅ 知识库持久化，重启保留	❌ 每次对话重新上传

📄 License | 许可证

MIT License — 自由使用、修改、分发。

🔮 DeepQuery — 让知识检索更智能，让数据隐私更安全

Built with ❤️ using Agno · Ollama · LanceDB · Streamlit

Name		Name	Last commit message	Last commit date
Latest commit History 6 Commits
.github/workflows		.github/workflows
.streamlit		.streamlit
data		data
src		src
tests		tests
.env.example		.env.example
.gitignore		.gitignore
.pre-commit-config.yaml		.pre-commit-config.yaml
CLAUDE.md		CLAUDE.md
LICENSE		LICENSE
README.md		README.md
app.py		app.py
pyproject.toml		pyproject.toml
requirements.txt		requirements.txt

Folders and files

Latest commit

History

Repository files navigation

🔮 DeepQuery — 100% 本地 Agentic RAG 知识库问答系统

🎯 What is DeepQuery?

✨ 核心特性 | Core Features

📄 多格式文档支持 | Multi-format Documents

🧠 智能检索增强 | Intelligent Retrieval

🤖 Agent 智能体能力 | Agentic Capabilities

🎨 专业 UI 设计 | Professional UI

🏗️ 工程化保障 | Engineering Quality

🏗️ Architecture | 架构设计

系统数据流 | Data Flow

代码分层架构 | Layered Architecture

🚀 快速开始 | Quick Start

前置条件 | Prerequisites

Step 1: 克隆项目 + 安装依赖

Step 2: 下载模型

Step 3: 启动应用

⚡ 3 步体验完整流程

📖 使用指南 | User Guide

知识库管理 | Knowledge Base

添加文档来源

管理已加载文档

Agent 功能使用 | Agent Features

工具调用 (Function Calling)

ReAct 推理可视化

对话记忆

配置调优 | Configuration

🧠 技术选型说明 | Technical Decisions

为什么选 Ollama？（而非 OpenAI API）

为什么选 LanceDB？（而非 ChromaDB / FAISS / Qdrant）

为什么选 Agno？（而非 LangChain / LlamaIndex）

为什么需要 Reranker？

📁 项目结构 | Project Structure

🔧 开发指南 | Development Guide

运行测试

代码质量

添加新功能

CI/CD 流水线

📊 技术栈 | Tech Stack

🗺️ 路线图 | Roadmap

🙋 FAQ

📄 License | 许可证

About

Topics

Resources

License

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages