InnoCore AI研创·智核快速上手指南基于 HelloAgent 的多智能体科研助手部署、配置与四大智能体实战【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents本文是 InnoCore AI研创·智核的快速上手指南带你从零完成一个基于 HelloAgent 框架的多智能体科研创新助手InnoCore AI的安装、环境配置与本地运行并深入剖析 Hunter / Miner / Coach / Validator 四大智能体的职责与源码级实现。读完本文你将能独立部署这套论文搜索 → 深度分析 → 学术写作 → 引用校验的全流程科研自动化系统并掌握其双模式单独模式 协调工作流模式的使用与排错方法。一、环境准备InnoCore AI 是基于 Python FastAPI 构建的异步 Web 应用运行前请确认本机满足以下前置条件Python 3.8 或更高版本推荐 3.10项目部分依赖如pydantic2.12.4、fastapi0.121.3对较新解释器兼容性更好pip可用pip --version验证可选Redis用于缓存未配置时系统可降级运行。建议使用独立的 Python 虚拟环境避免与系统其他项目产生依赖冲突python -m venv venv source venv/bin/activate # Linux / macOS venv\Scripts\activate # Windows二、安装依赖项目提供了两条依赖安装路径按需选择其一。方式一一键安装脚本推荐在项目根目录执行python install.py该脚本会完成三件事对应 install.py 的实现安装核心依赖按固定版本安装fastapi0.104.1、uvicorn[standard]0.24.0、python-multipart0.0.6、python-dotenv1.0.0、pydantic2.5.0、httpx0.25.2、requests2.31.0任一安装失败会中断并返回错误码创建.env文件若不存在则生成模板含OPENAI_API_KEY、DATABASE_URLsqlite:///./innocore.db、SECRET_KEY、DEBUGTrue创建数据目录自动建立data/与logs/两个目录。安装脚本自带setup.py见 setup.py它采用宽松安装策略仅安装fastapi、uvicorn[standard]、python-multipart、python-dotenv四个基础包且不锁版本适合快速验证环境但完整功能建议走install.py。方式二手工安装完整依赖完整功能文献搜索、PDF 解析、向量检索、LLM 调用依赖列表见 requirements.txt其中关键项包括类别依赖Web 框架fastapi0.121.3、uvicorn[standard]0.38.0、python-multipart0.0.20数据库sqlalchemy2.0.44、asyncpg0.30.0、redis7.1.0智能体框架hello-agents[all]0.2.7HelloAgent 全功能LLM 客户端openai1.0.0、tiktoken0.5.0向量数据库chromadb1.3.5、qdrant-client1.16.0文献搜索feedparser6.0.12、arxiv2.3.1、scholarly1.7.11、beautifulsoup44.14.2PDF 处理PyPDF23.0.1、pdfplumber0.11.0、pypdf3.17.4安装命令pip install -r requirements.txt提示hello-agents[all]0.2.7是本项目的智能体运行基石缺它会导致 llm_adapter.py 初始化失败报错信息为请安装 hello-agents: pip install hello-agents[all]0.2.7。依赖较重含 torch / transformers / sentence-transformers可结合镜像源加速下载。三、配置环境变量编辑.env文件至少填入你的 OpenAI API KeyOPENAI_API_KEYyour_actual_openai_api_key_here仓库内置了完整的配置模板 .env.example建议cp .env.example .env后逐项确认。模板中的可配置项可分为以下六组1. LLM 提供商配置核心# OpenAI默认 OPENAI_API_KEYyour_openai_api_key_here OPENAI_BASE_URLhttps://api.openai.com/v1 # 可选模型: gpt-3.5-turbo, gpt-4, gpt-4-turbo-preview # 阿里云灵积 DashScope推荐用于 Qwen 系列 # DASHSCOPE_API_KEYyour_dashscope_api_key # LLM_PROVIDERdashscope # LLM_MODELqwen-turbo # 可选: qwen-turbo, qwen-plus, qwen-max # ModelScope # MODELSCOPE_API_KEYyour_modelscope_api_key # LLM_PROVIDERmodelscope # LLM_MODELqwen/Qwen2.5-7B-Instruct2. 数据库与缓存DATABASE_URLsqlite:///./innocore.db # 默认 SQLite生产可换 PostgreSQL REDIS_URLredis://localhost:6379 # 可选用于缓存3. 安全配置SECRET_KEYyour_secret_key_here_change_this_in_production ALGORITHMHS256 ACCESS_TOKEN_EXPIRE_MINUTES304. 应用与性能DEBUGTrue LOG_LEVELINFO HOST0.0.0.0 PORT8000 MAX_CONCURRENT_TASKS5 CACHE_TTL3600 REQUEST_TIMEOUT305. 向量数据库与文件存储VECTOR_DB_PATH./data/vector_db UPLOAD_DIR./data/uploads PAPERS_DIR./data/papers6. 外部文献 API 与智能体开关CROSSREF_APIhttps://api.crossref.org GOOGLE_SCHOLAR_APIhttps://serpapi.com/search HUNTER_AGENT_ENABLEDTrue MINER_AGENT_ENABLEDTrue COACH_AGENT_ENABLEDTrue VALIDATOR_AGENT_ENABLEDTrue环境变量如何生效从源码看配置加载入口在 core/config.py模块顶部通过load_dotenv()读取.env随后InnoCoreConfig.__post_init__把OPENAI_API_KEY注入llm.api_key、OPENAI_BASE_URL注入llm.base_url并支持用OPENAI_MODEL或LLM_MODEL覆盖默认模型名默认gpt-3.5-turboDEBUG、LOG_LEVEL同理。也就是说改模型、切服务商、调端口都不需要改代码只需改.env。四、启动应用配置完成后在项目根目录执行python run.py启动脚本 run.py 的核心逻辑是把项目目录加入sys.path然后以uvicorn启动 FastAPI 应用对象api.main:appuvicorn.run( api.main:app, host0.0.0.0, port8000, reloadTrue, log_levelinfo )启动过程中api/main.py 的 lifespan 钩子会依次完成初始化数据库可选失败则降级为无数据库模式初始化向量存储可选失败则降级运行初始化智能体控制器AgentController并启动后台任务处理器start_task_processor()。其中智能体控制器见 agents/controller.py在构造时会一次性实例化四大智能体并注册到self.agents字典hunter/miner/coach/validator同时通过asyncio.Semaphore(self.config.concurrent_agents)做并发控制默认并发数 4。启动成功后终端会打印Starting InnoCore AI... Server will be available at: http://localhost:8000 API docs at: http://localhost:8000/docs Health check at: http://localhost:8000/health五、访问应用主页前端界面http://localhost:8000API 交互文档Swagger UIhttp://localhost:8000/docs —— 可直接在线调试各 REST 接口仅在DEBUGTrue时暴露见 main.py 中docs_url/docs if settings.DEBUG else None健康检查http://localhost:8000/health —— 返回{status: healthy, version: 1.0.0, service: InnoCore AI}同时会附带四大智能体的实时状态get_agent_status()前端页面支持单独模式 / 协调模式双模式切换详见 README.md 的架构说明六、核心功能与四大智能体InnoCore AI 通过四大智能体的协同覆盖科研全流程文献自动抓取、智能论文分析、学术写作辅助、引用格式管理。智能体职责核心能力源码中的已注册工具️Hunter前哨探员论文搜索与监控search_arxiv、search_ieee、download_pdf、extract_metadataMiner洞察专家深度分析与挖掘parse_pdf、search_memory、compare_papers、generate_report✍️Coach写作助教写作辅助与润色explain_concept、polish_text、mimic_style、get_user_style、suggest_improvementsValidator校验官引用校验与格式化generate_bibtex、generate_apa、generate_ieee、verify_metadata、crossref_lookup、scholar_lookupHunter Agent文献搜索与监控HunterAgent 的核心是run()方法输入必须包含keywords可选max_papers默认 20、sources默认[arxiv, ieee]、days_back默认 1。执行流程为按关键词分别调用 ArXiv APIexport.arxiv.org/api/query按提交时间倒序与 IEEE API_deduplicate_papers基于标题的 MD5 哈希去重_filter_papers计算关键词匹配分数标题命中 2、摘要命中 1过滤并排序逐篇下载 PDF 到downloads/papers/计算 SHA-256 哈希并调用_save_paper_to_db入库依据content_hash判重。Miner Agent深度论文分析MinerAgent 的输入必须包含paper_id可选analysis_typefull/quick/innovation_only。其run()执行六步流水线解析 PDF → 检索相关历史论文调用vector_store_manager.hybrid_search即向量 关键词混合检索→ 构造 prompt 让 LLM 做对比分析 → 生成含 Summary / Innovation / Limitation / Future Ideas 四部分的 JSON 报告 → 报告入库 → 更新用户向量库L2 层。Coach Agent学术写作辅助CoachAgent 的输入为user_idtask_typecontent支持四种任务explain通俗解释复杂概念结合用户研究背景给出例子与类比polish润色为地道的学术英语参考用户写作风格偏好tone、complexity、preferred_journals、language与历史论文句式mimic基于指定target_style默认formal_academic和参考论文重写文本suggest按重要性给出改进建议覆盖语法、结构与学术表达。Validator Agent引用校验与格式化ValidatorAgent 输入为paper_info可选formats默认[bibtex, apa, ieee]与verify_external默认 True。它支持三种引用格式生成BibTeX自动生成引用键、按journal/booktitle/publisher判断条目类型、APA按作者数量 1/2/≤7/7 分情况处理、IEEE作者取前 3 位并缩写为首字母元数据联网校验有 DOI 时查 CrossRefapi.crossref.org/works/{doi}有标题且配置了 SerpApi key 时查 Google Scholar通过_compare_metadata对比标题、作者、年份并输出差异与修正建议结果缓存校验通过的 BibTeX 会通过db_manager.cache_reference按 DOI 缓存。双模式单独模式与协调工作流在 AgentController 中定义了五种任务类型TaskType任务类型说明调度的智能体paper_hunting论文抓取Hunterpaper_analysis论文分析Minerwriting_assistance写作辅助Coachcitation_validation引用校验Validatorfull_workflow一键完整工作流全部单独模式即按需提交上述前四类任务**协调模式完整工作流**对应_execute_full_workflow()按搜索Hunter→ 逐篇分析Miner→ 可选引用校验Validator→ 报告四阶段编排输出stages、final_papers、analysis_reports。任务系统还内置了优先级队列、状态机pending / running / completed / failed / cancelled、事件回调task_started/task_completed/task_failed/agent_status_changed以及基于信号量的并发控制可通过get_task_status/cancel_task管理任务生命周期。论文搜索与分析功能对应前端界面如下七、项目结构仓库实际目录结构以根目录为基准如下Co-creation-projects/Apricity-InnocoreAI/ ├── agents/ # 智能体模块base hunter/miner/coach/validator/controller ├── api/ # API 路由papers/users/tasks/analysis/writing/citations/workflow ├── core/ # 核心功能config/database/vector_store/llm_adapter/exceptions ├── models/ # 数据模型paper/task/user/analysis/writing ├── services/ # 业务服务层 ├── utils/ # 工具函数citation_formatter/pdf_parser/text_processor/embedding ├── frontend/ # 前端界面index.html static templates ├── docs/ # 文档与界面截图 ├── main.py # 主应用入口FastAPI app 定义 ├── run.py # 简单启动脚本 ├── setup.py # 基础依赖安装脚本 ├── install.py # 完整安装脚本 ├── diagnose.py # 系统诊断脚本 ├── .env.example # 环境变量配置模板 └── requirements.txt # 完整依赖清单八、开发模式自动重载run.py 中uvicorn.run(...)已设置reloadTrue即当前仓库默认即开发模式代码改动后服务会自动重载。若使用 main.py 的入口方式启动则重载行为由.env的DEBUG决定reloadsettings.DEBUG。生产部署建议关闭DEBUG同时隐藏/docs接口文档并限制 CORS 的allow_origins。诊断脚本项目提供 diagnose.py可一键检查环境配置、依赖包、配置加载、API 路由、前端文件与 LLM 连接六个维度python diagnose.py它会在缺失包时直接给出pip install ...的修复命令是排障的第一选择。九、故障排除1. 端口被占用若 8000 端口已被其他程序占用python run.py会启动失败。解决方法修改.env中的PORT8000为其他端口如PORT8080或修改 run.py 中的port参数或停止占用 8000 端口的程序lsof -i :8000Linux/macOS定位进程后自行处置。2. OpenAI API Key 错误确认.env中OPENAI_API_KEY已替换为真实 Key不要保留your_actual_openai_api_key_here占位符检查 Key 是否有效、是否有足够余额若使用其他服务商还需同步配置LLM_PROVIDER与LLM_MODEL可运行python diagnose.py验证 LLM 连接——当返回 400/invalid_request 类错误时说明网络可达但请求格式需调整连接本身正常。3. 依赖安装失败先升级 pippip install --upgrade pip使用虚拟环境避免与全局包冲突部分重依赖torch、transformers、sentence-transformers建议使用镜像源pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple若只是快速体验可先用python setup.py安装最小依赖集。十、更多信息完整功能与架构说明README.md模型切换与 LLM 接入细节MODEL_GUIDE.md环境变量完整模板.env.example在线 API 文档启动后访问 http://localhost:8000/docs至此你已经完成了 InnoCore AI 从环境准备、依赖安装、环境变量配置到启动访问的全过程并理解了四大智能体的职责边界与协调工作流的调度原理。接下来可以尝试用论文搜索功能检索一个研究主题再通过协调模式一键生成分析报告体验搜索 → 分析 → 引用 → 报告的科研自动化闭环。【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 InnoCore AI（研创·智核）快速上手指南：基于 HelloAgent 的多智能体科研助手部署、配置与四大智能体实战
InnoCore AI研创·智核快速上手指南基于 HelloAgent 的多智能体科研助手部署、配置与四大智能体实战【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents本文是 InnoCore AI研创·智核的快速上手指南带你从零完成一个基于 HelloAgent 框架的多智能体科研创新助手InnoCore AI的安装、环境配置与本地运行并深入剖析 Hunter / Miner / Coach / Validator 四大智能体的职责与源码级实现。读完本文你将能独立部署这套论文搜索 → 深度分析 → 学术写作 → 引用校验的全流程科研自动化系统并掌握其双模式单独模式 协调工作流模式的使用与排错方法。一、环境准备InnoCore AI 是基于 Python FastAPI 构建的异步 Web 应用运行前请确认本机满足以下前置条件Python 3.8 或更高版本推荐 3.10项目部分依赖如pydantic2.12.4、fastapi0.121.3对较新解释器兼容性更好pip可用pip --version验证可选Redis用于缓存未配置时系统可降级运行。建议使用独立的 Python 虚拟环境避免与系统其他项目产生依赖冲突python -m venv venv source venv/bin/activate # Linux / macOS venv\Scripts\activate # Windows二、安装依赖项目提供了两条依赖安装路径按需选择其一。方式一一键安装脚本推荐在项目根目录执行python install.py该脚本会完成三件事对应 install.py 的实现安装核心依赖按固定版本安装fastapi0.104.1、uvicorn[standard]0.24.0、python-multipart0.0.6、python-dotenv1.0.0、pydantic2.5.0、httpx0.25.2、requests2.31.0任一安装失败会中断并返回错误码创建.env文件若不存在则生成模板含OPENAI_API_KEY、DATABASE_URLsqlite:///./innocore.db、SECRET_KEY、DEBUGTrue创建数据目录自动建立data/与logs/两个目录。安装脚本自带setup.py见 setup.py它采用宽松安装策略仅安装fastapi、uvicorn[standard]、python-multipart、python-dotenv四个基础包且不锁版本适合快速验证环境但完整功能建议走install.py。方式二手工安装完整依赖完整功能文献搜索、PDF 解析、向量检索、LLM 调用依赖列表见 requirements.txt其中关键项包括类别依赖Web 框架fastapi0.121.3、uvicorn[standard]0.38.0、python-multipart0.0.20数据库sqlalchemy2.0.44、asyncpg0.30.0、redis7.1.0智能体框架hello-agents[all]0.2.7HelloAgent 全功能LLM 客户端openai1.0.0、tiktoken0.5.0向量数据库chromadb1.3.5、qdrant-client1.16.0文献搜索feedparser6.0.12、arxiv2.3.1、scholarly1.7.11、beautifulsoup44.14.2PDF 处理PyPDF23.0.1、pdfplumber0.11.0、pypdf3.17.4安装命令pip install -r requirements.txt提示hello-agents[all]0.2.7是本项目的智能体运行基石缺它会导致 llm_adapter.py 初始化失败报错信息为请安装 hello-agents: pip install hello-agents[all]0.2.7。依赖较重含 torch / transformers / sentence-transformers可结合镜像源加速下载。三、配置环境变量编辑.env文件至少填入你的 OpenAI API KeyOPENAI_API_KEYyour_actual_openai_api_key_here仓库内置了完整的配置模板 .env.example建议cp .env.example .env后逐项确认。模板中的可配置项可分为以下六组1. LLM 提供商配置核心# OpenAI默认 OPENAI_API_KEYyour_openai_api_key_here OPENAI_BASE_URLhttps://api.openai.com/v1 # 可选模型: gpt-3.5-turbo, gpt-4, gpt-4-turbo-preview # 阿里云灵积 DashScope推荐用于 Qwen 系列 # DASHSCOPE_API_KEYyour_dashscope_api_key # LLM_PROVIDERdashscope # LLM_MODELqwen-turbo # 可选: qwen-turbo, qwen-plus, qwen-max # ModelScope # MODELSCOPE_API_KEYyour_modelscope_api_key # LLM_PROVIDERmodelscope # LLM_MODELqwen/Qwen2.5-7B-Instruct2. 数据库与缓存DATABASE_URLsqlite:///./innocore.db # 默认 SQLite生产可换 PostgreSQL REDIS_URLredis://localhost:6379 # 可选用于缓存3. 安全配置SECRET_KEYyour_secret_key_here_change_this_in_production ALGORITHMHS256 ACCESS_TOKEN_EXPIRE_MINUTES304. 应用与性能DEBUGTrue LOG_LEVELINFO HOST0.0.0.0 PORT8000 MAX_CONCURRENT_TASKS5 CACHE_TTL3600 REQUEST_TIMEOUT305. 向量数据库与文件存储VECTOR_DB_PATH./data/vector_db UPLOAD_DIR./data/uploads PAPERS_DIR./data/papers6. 外部文献 API 与智能体开关CROSSREF_APIhttps://api.crossref.org GOOGLE_SCHOLAR_APIhttps://serpapi.com/search HUNTER_AGENT_ENABLEDTrue MINER_AGENT_ENABLEDTrue COACH_AGENT_ENABLEDTrue VALIDATOR_AGENT_ENABLEDTrue环境变量如何生效从源码看配置加载入口在 core/config.py模块顶部通过load_dotenv()读取.env随后InnoCoreConfig.__post_init__把OPENAI_API_KEY注入llm.api_key、OPENAI_BASE_URL注入llm.base_url并支持用OPENAI_MODEL或LLM_MODEL覆盖默认模型名默认gpt-3.5-turboDEBUG、LOG_LEVEL同理。也就是说改模型、切服务商、调端口都不需要改代码只需改.env。四、启动应用配置完成后在项目根目录执行python run.py启动脚本 run.py 的核心逻辑是把项目目录加入sys.path然后以uvicorn启动 FastAPI 应用对象api.main:appuvicorn.run( api.main:app, host0.0.0.0, port8000, reloadTrue, log_levelinfo )启动过程中api/main.py 的 lifespan 钩子会依次完成初始化数据库可选失败则降级为无数据库模式初始化向量存储可选失败则降级运行初始化智能体控制器AgentController并启动后台任务处理器start_task_processor()。其中智能体控制器见 agents/controller.py在构造时会一次性实例化四大智能体并注册到self.agents字典hunter/miner/coach/validator同时通过asyncio.Semaphore(self.config.concurrent_agents)做并发控制默认并发数 4。启动成功后终端会打印Starting InnoCore AI... Server will be available at: http://localhost:8000 API docs at: http://localhost:8000/docs Health check at: http://localhost:8000/health五、访问应用主页前端界面http://localhost:8000API 交互文档Swagger UIhttp://localhost:8000/docs —— 可直接在线调试各 REST 接口仅在DEBUGTrue时暴露见 main.py 中docs_url/docs if settings.DEBUG else None健康检查http://localhost:8000/health —— 返回{status: healthy, version: 1.0.0, service: InnoCore AI}同时会附带四大智能体的实时状态get_agent_status()前端页面支持单独模式 / 协调模式双模式切换详见 README.md 的架构说明六、核心功能与四大智能体InnoCore AI 通过四大智能体的协同覆盖科研全流程文献自动抓取、智能论文分析、学术写作辅助、引用格式管理。智能体职责核心能力源码中的已注册工具️Hunter前哨探员论文搜索与监控search_arxiv、search_ieee、download_pdf、extract_metadataMiner洞察专家深度分析与挖掘parse_pdf、search_memory、compare_papers、generate_report✍️Coach写作助教写作辅助与润色explain_concept、polish_text、mimic_style、get_user_style、suggest_improvementsValidator校验官引用校验与格式化generate_bibtex、generate_apa、generate_ieee、verify_metadata、crossref_lookup、scholar_lookupHunter Agent文献搜索与监控HunterAgent 的核心是run()方法输入必须包含keywords可选max_papers默认 20、sources默认[arxiv, ieee]、days_back默认 1。执行流程为按关键词分别调用 ArXiv APIexport.arxiv.org/api/query按提交时间倒序与 IEEE API_deduplicate_papers基于标题的 MD5 哈希去重_filter_papers计算关键词匹配分数标题命中 2、摘要命中 1过滤并排序逐篇下载 PDF 到downloads/papers/计算 SHA-256 哈希并调用_save_paper_to_db入库依据content_hash判重。Miner Agent深度论文分析MinerAgent 的输入必须包含paper_id可选analysis_typefull/quick/innovation_only。其run()执行六步流水线解析 PDF → 检索相关历史论文调用vector_store_manager.hybrid_search即向量 关键词混合检索→ 构造 prompt 让 LLM 做对比分析 → 生成含 Summary / Innovation / Limitation / Future Ideas 四部分的 JSON 报告 → 报告入库 → 更新用户向量库L2 层。Coach Agent学术写作辅助CoachAgent 的输入为user_idtask_typecontent支持四种任务explain通俗解释复杂概念结合用户研究背景给出例子与类比polish润色为地道的学术英语参考用户写作风格偏好tone、complexity、preferred_journals、language与历史论文句式mimic基于指定target_style默认formal_academic和参考论文重写文本suggest按重要性给出改进建议覆盖语法、结构与学术表达。Validator Agent引用校验与格式化ValidatorAgent 输入为paper_info可选formats默认[bibtex, apa, ieee]与verify_external默认 True。它支持三种引用格式生成BibTeX自动生成引用键、按journal/booktitle/publisher判断条目类型、APA按作者数量 1/2/≤7/7 分情况处理、IEEE作者取前 3 位并缩写为首字母元数据联网校验有 DOI 时查 CrossRefapi.crossref.org/works/{doi}有标题且配置了 SerpApi key 时查 Google Scholar通过_compare_metadata对比标题、作者、年份并输出差异与修正建议结果缓存校验通过的 BibTeX 会通过db_manager.cache_reference按 DOI 缓存。双模式单独模式与协调工作流在 AgentController 中定义了五种任务类型TaskType任务类型说明调度的智能体paper_hunting论文抓取Hunterpaper_analysis论文分析Minerwriting_assistance写作辅助Coachcitation_validation引用校验Validatorfull_workflow一键完整工作流全部单独模式即按需提交上述前四类任务**协调模式完整工作流**对应_execute_full_workflow()按搜索Hunter→ 逐篇分析Miner→ 可选引用校验Validator→ 报告四阶段编排输出stages、final_papers、analysis_reports。任务系统还内置了优先级队列、状态机pending / running / completed / failed / cancelled、事件回调task_started/task_completed/task_failed/agent_status_changed以及基于信号量的并发控制可通过get_task_status/cancel_task管理任务生命周期。论文搜索与分析功能对应前端界面如下七、项目结构仓库实际目录结构以根目录为基准如下Co-creation-projects/Apricity-InnocoreAI/ ├── agents/ # 智能体模块base hunter/miner/coach/validator/controller ├── api/ # API 路由papers/users/tasks/analysis/writing/citations/workflow ├── core/ # 核心功能config/database/vector_store/llm_adapter/exceptions ├── models/ # 数据模型paper/task/user/analysis/writing ├── services/ # 业务服务层 ├── utils/ # 工具函数citation_formatter/pdf_parser/text_processor/embedding ├── frontend/ # 前端界面index.html static templates ├── docs/ # 文档与界面截图 ├── main.py # 主应用入口FastAPI app 定义 ├── run.py # 简单启动脚本 ├── setup.py # 基础依赖安装脚本 ├── install.py # 完整安装脚本 ├── diagnose.py # 系统诊断脚本 ├── .env.example # 环境变量配置模板 └── requirements.txt # 完整依赖清单八、开发模式自动重载run.py 中uvicorn.run(...)已设置reloadTrue即当前仓库默认即开发模式代码改动后服务会自动重载。若使用 main.py 的入口方式启动则重载行为由.env的DEBUG决定reloadsettings.DEBUG。生产部署建议关闭DEBUG同时隐藏/docs接口文档并限制 CORS 的allow_origins。诊断脚本项目提供 diagnose.py可一键检查环境配置、依赖包、配置加载、API 路由、前端文件与 LLM 连接六个维度python diagnose.py它会在缺失包时直接给出pip install ...的修复命令是排障的第一选择。九、故障排除1. 端口被占用若 8000 端口已被其他程序占用python run.py会启动失败。解决方法修改.env中的PORT8000为其他端口如PORT8080或修改 run.py 中的port参数或停止占用 8000 端口的程序lsof -i :8000Linux/macOS定位进程后自行处置。2. OpenAI API Key 错误确认.env中OPENAI_API_KEY已替换为真实 Key不要保留your_actual_openai_api_key_here占位符检查 Key 是否有效、是否有足够余额若使用其他服务商还需同步配置LLM_PROVIDER与LLM_MODEL可运行python diagnose.py验证 LLM 连接——当返回 400/invalid_request 类错误时说明网络可达但请求格式需调整连接本身正常。3. 依赖安装失败先升级 pippip install --upgrade pip使用虚拟环境避免与全局包冲突部分重依赖torch、transformers、sentence-transformers建议使用镜像源pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple若只是快速体验可先用python setup.py安装最小依赖集。十、更多信息完整功能与架构说明README.md模型切换与 LLM 接入细节MODEL_GUIDE.md环境变量完整模板.env.example在线 API 文档启动后访问 http://localhost:8000/docs至此你已经完成了 InnoCore AI 从环境准备、依赖安装、环境变量配置到启动访问的全过程并理解了四大智能体的职责边界与协调工作流的调度原理。接下来可以尝试用论文搜索功能检索一个研究主题再通过协调模式一键生成分析报告体验搜索 → 分析 → 引用 → 报告的科研自动化闭环。【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考