jonex

把视频文档变成AI能懂的知识图谱，直接喂给RAG和Agent

开源 🏷️定价信息待确认 ✅ 目前可打开搜索知识 🍴 复刻 285 🐛 待处理 35 👀 关注 196

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1575

维护状态较活跃

是否开源开源

定价模式 🏷️定价信息待确认

项目预览

项目数据

分类搜索知识

开发团队yuezhiai

官网地址https://jonex.ai

GitHubhttps://github.com/yuezhiai/jonex

定价模式🏷️定价信息待确认

价格说明定价信息待确认

访问状态✅ 目前可打开

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型agent,agent-context,agent-skills,ai-context,asr,enterprise-context,fde,graph-rag,knowlege-base,knowlege-graph,llm-wiki,okf,ontology,rag,video

GitHub 星标★ 1575

上线时间2026-07-19 00:00:00

代码更新2026-10-28

仓库体积18.0 MB

本站数据更新2026-11-05

维护状态较活跃

收录时间2026-09-09

浏览次数5

项目介绍

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。

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 2026-09-09 · 当前星标 ★ 1575

技术标签

agent agent-skills asr graph-rag llm-wiki

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

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。