项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1780
使用教程
⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。
⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。
环境要求
- Python 环境（项目为 Python 库）
- 神经符号引擎的 API Key（必需）
- 可选：WolframAlpha、OpenAI 等引擎 API Key
- pytest（用于运行测试）
安装与启动步骤
-
1准备 Python 环境
确保已安装 Python 并准备虚拟环境；README 未给出安装命令，需自行获取 symbolicai 包。
-
2初始化配置文件
运行 symconfig 启动初始缓存并生成 symbolicai 配置文件；首次会提示创建配置文件。
symconfig -
3编辑引擎配置
编辑生成的 symai.config.json，填入神经符号引擎 API Key 和模型名；引擎必配。
-
4配置其他引擎
可选配置符号、嵌入、索引等引擎，参考 README 示例填写 API Key 和模型名。
-
5运行测试验证
使用 mock 传输运行测试，无需 API Key；确认环境与代码可正常工作。
pytest tests --engine-api=mock -
6运行强制测试
运行 mandatory 标记测试，检查核心功能是否正常。
pytest -m mandatory -
7查看覆盖率
可选，运行覆盖率测试查看 symai 代码覆盖情况。
pytest --cov=symai tests
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
NEUROSYMBOLIC_ENGINE_API_KEY | 是 | 神经符号引擎 API Key，必需 | sk-ant-xxxxxxxx |
NEUROSYMBOLIC_ENGINE_MODEL | 是 | 神经符号引擎模型，需带 provider 前缀 | anthropic:claude-sonnet-4-6 |
SYMBOLIC_ENGINE_API_KEY | 否 | 符号引擎 API Key，如 WolframAlpha | your-wolframalpha-key |
SYMBOLIC_ENGINE | 否 | 符号引擎名称 | wolframalpha |
EMBEDDING_ENGINE_API_KEY | 否 | 嵌入引擎 API Key | sk-xxxxxxxx |
INDEXING_ENGINE_URL | 否 | 索引引擎地址 | http://localhost:6333 |
如何确认成功
运行 symconfig 能显示配置位置与当前设置，且 pytest tests --engine-api=mock 通过。
常见问题
Q：必须配置神经符号引擎吗？
A：是，README 明确说明使用 symai 包必须配置神经符号引擎，否则无法正常运行。
Q：没有 API Key 能测试吗？
A：可以，引擎测试默认使用 mock 传输，运行 pytest tests --engine-api=mock 无需任何 API Key。
Q：配置文件应该放哪里？
A：可放当前工作目录（调试优先）、Python 环境 .symai/ 或全局 ~/.symai/，按优先级自动加载。
Q：模型名怎么写？
A：需带 provider 前缀，如 openai:gpt-5.4、anthropic:claude-sonnet-4-6，前缀决定调用哪家提供商。
Q：如何查看 SymbolicAI 日志？
A：默认静默，可在代码中设置 logging.basicConfig(level=logging.INFO) 或 logging.getLogger("symai").setLevel(logging.INFO)。
注意事项
- 配置加载优先级：当前工作目录（Debug）> Python 环境 > 全局 ~/.symai/。
- 模型名必须带 provider 前缀，如 anthropic:claude-sonnet-4-6。
- 所有引擎通过 httpx 直接 REST 调用，无需安装各提供商 SDK。
- README 未给出具体安装命令，需自行安装 symbolicai/symai 包。
核心亮点
- 融合符号逻辑与LLM，显著提升多步推理和规则遵循能力
- 提供可解释的推理路径，适合对决策过程有审计需求的场景
- Python接口简洁，易于集成到现有LLM应用中
不足之处
- 项目仍处于早期，文档和社区支持有待完善
- 符号推理可能增加计算开销，影响响应速度
适用场景
- 法律合同条款的自动审查与逻辑校验
- 金融风控中的规则引擎与决策解释
- 复杂问答系统中的多步推理与知识验证
替代项目
LangChain、NeuralLog、DeepLogic
上一篇：scratchpad
下一篇：FlowBlock
同类项目推荐
llm-interface
开源
一个接口调遍 36 家 LLM，省去适配烦恼
A simple NPM interface for seamlessly interacting with 36 Large Language Model (LLM)···
java-genai
开源
Java 后端直接调用 Gemini，官方 SDK 免手写封装
Google Gen AI Java SDK provides an interface for developers to integrate Google's ge···
quantalogic
开源
用 ReAct 框架快速搭出会写代码、能跑命令的 AI 智能体
Quantalogic ReAct Agent - Coding Agent Framework - Gives a ⭐️ if you like the proj···
attachments
开源
两行代码，把任意文件变成大模型能读的上下文
Easiest way to give context to LLMs; Attachments has the ambition to be the general ···
everything-claude-code-zh
开源
中文翻译的 Claude Code 全套配置，助你快速上手实战
everything-claude-code 中文翻译项目：完整的 Claude Code 配置集合（agents, skills, ho···
langchain-nvidia
开源
在 LangChain 里几行代码接入 NVIDIA 大模型推理
awesome-agent-skills
开源
给 AI 编程助手加技能，一页清单直接抄
精选的 AI Agent Skills 列表，适用于 Cursor、Claude Code、GitHub Copilot 等 AI 编程工···
GraphRag.Net
开源
在 .NET 中一键集成 GraphRAG，让知识库问答更懂关系推理。
参考GraphRag使用 Semantic Kernel 来实现的dotnet版本，可以使用NuGet开箱即用集成到项目···
openDomain
开源
让 AI 智能体读懂业务领域知识，每条结论都有据可查
Git-native, evidence-backed domain semantic layer for AI agents and human maintainer···