jonex

把视频文档变成AI能懂的知识图谱，直接喂给RAG和Agent

jonex 是一个面向 AI 应用的全栈知识引擎，核心定位是“多模态解析 + 本体驱动的知识组织”。它能把视频、音频、图片、文档等非结构化数据，通过内置的 ASR、OCR、版面分析等能力解析成结构化内容，再基于本体（Ontology）和 LLM Wiki 机制构建知识图谱，最终输出可供 RAG 或 Agent 直接调用的 AI-ready 知识库。项目解决的是传统 RAG 只做文本切块、缺乏语义关联和跨模态理解的问题，让机器不仅能“搜到”信息，还能“理解”信息之间的关系。核心能力包括：多格式解析管道、动态本体建模、LLM 自动生成 Wiki 页面、图数据库存储与查询，以及面向 Agent 的 API 接口。整体架构偏向企业级知识中台，适合需要深度知识管理的场景。

开源 unknown 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1130

维护状态活跃

是否开源是

定价模式 unknown

项目数据

分类搜索知识

开发团队yuezhiai

所属国家

官网地址https://jonex.ai

GitHubhttps://github.com/yuezhiai/jonex

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型agent,agent-skills,asr,fde,graph-rag,konwledge-base,konwledge-graph,llm-wiki,ontology,rag,video

GitHub 星标★ 1130

30天Star增速

HF 下载量

上线时间2026-07-19 00:00:00

最近更新2026-09-20 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-09

浏览次数3

使用教程

难度：进阶约 30 分钟部署方式：Docker 5 步

环境要求

Docker Engine 或 Docker Desktop
Docker Compose v2，且带 Buildx
macOS 或 Linux 上的 make
足够的磁盘空间与时间（首次构建要下载容器镜像、Python 依赖和 RAG 模型）
可选：NVIDIA GPU 与 Container Toolkit，用于加速 OCR、ASR 和视觉语言处理

安装与启动步骤

1初始化配置

生成平台、数据库、对象存储、LLM Gateway，以及 LightRAG、解析、MCP 和前端所需的 .env 文件，务必先执行此步。
```
make init
```
2启动依赖中间件

本地运行完整 RAG 栈时使用，会拉起中间件以及 LightRAG 和 Atomic RAG 服务，首次拉取耗时较长。
```
make dev-deps-up
```
3启动前端网关

建议单独开一个终端运行，启动统一 Gateway，所有对外 API 都通过这个网关暴露。
```
make dev-gateway
```
4启动前端应用

再开一个终端执行，启动前端应用；网关与应用需分别运行，不要挤在同一个终端。
```
make dev-frontend
```
5访问控制台

浏览器打开本地地址进入前端界面，能看到页面即表示栈已跑起来。

关键配置

配置项	必填	说明	示例
`deploy/.env`	是	平台、数据库、对象存储和 LLM Gateway 的配置	`make init 自动生成`
`deploy/.env.rag`	是	LightRAG、向量嵌入与文档解析相关配置	`make init 自动生成`
`deploy/.env.mcp`	是	MCP 服务相关配置	`make init 自动生成`
`前端 .env 文件`	是	Shell、核心业务、生态管理、平台管理与 Dev Gateway 的前端配置	`make init 自动生成`

如何确认成功

浏览器打开 http://localhost:8080 能正常显示前端页面，即表示 Docker Compose 栈启动成功。

常见问题

Q：首次构建为什么特别慢？

A：首次构建会下载容器镜像、Python 依赖和 RAG 模型，需要较大的磁盘空间和较长时间，属于正常现象，请保证网络稳定并耐心等待。

Q：怎样本地跑完整 RAG 栈？

A：在 make init 之后执行 make dev-deps-up，它会同时启动中间件、LightRAG 和 Atomic RAG。

Q：没有 make 命令怎么办？

A：README 的 Docker 要求中只列出了 macOS 或 Linux 上的 make，其他系统需自备 make 环境后再按同样步骤执行。

Q：解析速度不够快怎么办？

A：可选用 NVIDIA GPU 与 Container Toolkit 加速 OCR、ASR 和视觉语言处理；显存需求取决于所选模型，CPU 解析仅适合评估和轻负载。

注意事项

make init 会写入 deploy/.env、deploy/.env.rag、deploy/.env.mcp 及多个前端 .env 文件，其中含凭据，注意不要提交到仓库。
完整部署还需 PostgreSQL 15、Redis 7、对象存储，向量检索依赖 Milvus、etcd、MinIO，本体图谱默认打包 Neo4j 集成。
make dev-gateway 与 make dev-frontend 要在不同终端分别启动，否则会互相阻塞。
README 节选中未给出获取源码的命令，执行前请先按官方仓库说明准备好项目目录。

核心亮点

多模态解析覆盖视频/音频/文档，内置ASR和OCR，开箱即用
本体驱动知识建模，比纯向量检索更有语义深度，支持复杂关系查询
LLM Wiki 自动生成知识条目，降低人工维护成本，易扩展

不足之处

项目较新，文档和社区生态尚待完善
本体建模和知识图谱配置有一定学习门槛，上手不轻松

适用场景

企业知识库建设，整合内部视频会议、PDF、PPT等多源资料
构建行业垂直领域的专家问答系统，如医疗、法律、工程
为AI Agent提供结构化长期记忆，支持复杂推理和任务规划

替代项目

LlamaIndex、Haystack、txtai

项目介绍

jonex 是搜索知识领域的开源项目，由 yuezhiai 开发，是 2026 年新上线的项目。

在全站 12,822 个收录项目中，它的 GitHub 星标数（1,130）位列前 30%，在搜索知识分类中处于中上游。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-20。从国内网络环境看，可直接访问。

它主要面向的使用场景是：企业知识库建设，整合内部视频会议、PDF、PPT等多源资料。同类可对比的替代方案包括 LlamaIndex、Haystack、txtai。

上一篇：quivr

下一篇：KnowAgenticRAG