使用RAG和MCP的数学代理
一种智能数学问题解决代理,使用检索增强生成(RAG)和模型上下文协议(MCP)提供逐步解决方案并进行验证。
特性
- 🔍 智能检索:基于FAISS的相关数学上下文语义搜索
- 🔄 交叉注意力重新排序:使用交叉编码器改进上下文选择
- ✍️ LaTeX格式:解决方案中的优美数学表达式
- ✅ 符号验证:使用SymPy验证数学正确性
- 🔒 AI网关:输入/输出验证和安全检查
- 📝 MCP集成:完整的来源追踪和思维链记录
- 🎯 信心评分:需要时自动标记以供人工审查
安装
- 克隆存储库
- 创建虚拟环境:```bash
python -m venv .venv
source .venv/bin/activate # On Windows: .venv\Scripts\activate
3. 安装依赖项:```bash
pip install -r requirements.txt
用法
命令行接口
使用CLI求解方程式:```bash
python -m src.main solve "2x + 3 = 11"
为更详细的日志启用调试模式:```bash
python -m src.main solve "x/2 + 4 = 7" --debug
Python API```python
from src.pipeline.enhanced_pipeline import EnhancedPipeline
Initialize the pipeline
pipeline = EnhancedPipeline()
Solve a math problem
result = pipeline.process_question("Solve: 3x - 6 = 9")
Access the solution
steps = result["solution"]["steps"]
final_answer = result["solution"]["final_answer"]
confidence = result["solution"]["confidence"]
## 预热型号(可选)
如果您想在启动服务器之前预下载模型权重并初始化模型(建议用于稳定的首次请求),请运行预热脚本:```powershell
python scripts\warmup_models.py
或者用背景预热线程启动UI:```powershell
$env:PRELOAD_MODELS='1'; python src\ui\app.py
## 建筑
### 组件
1. **AI网关** (`src/gateway/ai_gateway.py`)
- 输入净化
- 个人身份信息检测
- 输出验证
- LaTeX格式强制
1. **检索器** (`src/retriever/retriever.py`)
- FAISS矢量存储集成
- 语义相似度搜索
- 批量检索支持
1. **重排序器** (`src/reranker/reranker.py`)
- 交叉注意力评分
- 上下文相关性改进
- Top-k选择
1. **发电机** (`src/generator/enhanced_generator.py`)
- 逐步生成解决方案
- LaTeX格式化
- 信心评分
1. **符号验证器** (`src/verification/symbolic_verifier.py`)
- 基于SymPy的方程验证
- 步骤验证
- 解决方案正确性检查
### MCP实施
模型上下文协议(MCP)提供:
- 组件之间的消息跟踪
- 来源记录
- 思维碎片链
- 人工审查的证据标志
## 测试
运行测试套件:```bash
python -m unittest discover tests
关于覆盖率报告:bash
pytest --cov=src tests/
局限性
- 目前支持:
- 线性方程
- 基本代数运算
- 单变量方程
- 已知限制:
- 尚不支持方程组
- 复数处理有限
- 方程式无图形输出
未来改进
- 交互式求解的Web界面
- 对方程组的支持
- 与计算机代数系统集成
- 增强的解释生成
- 学生技能水平适应
贡献
- 分叉存储库
- 创建要素分支
- 提交拉取请求
许可证
MIT许可证-有关详细信息,请参阅许可证文件
