基于本地Ollama模型的AI编程助手，使用Python和Rich库构建的命令行工具。
- 🤖 支持本地Ollama模型
- 📝 丰富的Markdown格式输出
- 💾 自动保存AI响应到文件
- 🎨 彩色命令行界面
- ⚙️ 可配置模型和系统角色
| 脚本名称 | 功能描述 | 适用场景 |
|---|---|---|
main.py |
基础一问一答对话 | 简单问答，无需记忆上下文 |
chat_history.py |
多轮记忆对话 | 连续对话，需要记住历史上下文 |
smart_notes.py |
会议记录文章灵魂自动笔记生成 | 开会的内容和临时的想法和计划 |
chat_multimode.py |
Ollama Cloud API 多模态对话 | 文本对话 + 图片理解，支持 Rich 美化输出 |
rag_chatbot.py |
个人 RAG 知识库智能客服系统 | 基于企业文档的智能问答客服 |
weather_assistant/ |
AI 智能旅行助手 | 查询城市天气并推荐热门景点 |
这是一个简单的命令行AI对话工具，支持：
- 独立问答模式，每次对话都是全新的
- 自动保存AI响应到文件（带时间戳）
- 丰富的Markdown格式输出
- 可配置模型和系统角色
快速开始：
uv run python main.py这是一个支持上下文记忆的对话工具，具有以下特性：
- 完整的对话历史记忆
- 连续多轮对话，AI能记住之前的交流
- 对话日志自动保存到
chat_log.md - 系统预设为前端工程师专家人设
快速开始：
uv run python chat_history.py这是一个基于 Ollama Cloud API 的多模态 AI 助手，具有以下特性：
- 支持文本对话和多模态图片理解
- 使用 Rich 库美化命令行输出
- 自动显示模型配置信息表格
- 支持自定义图片路径和对话问题
- 需要自行申请 Ollama API Key 并配置到
.env文件
功能亮点：
- 🤖 文本对话：使用
qwen3.5模型进行智能问答 - 🖼️ 图片理解：上传本地图片，AI 自动分析描述
- 🎨 Rich 美化：彩色面板、进度条、Markdown 格式化输出
- ⚙️ 灵活配置：可自定义模型、图片路径和 API Key
环境配置：
- 在
.env文件中配置 API Key：
OLLAMA_API_KEY=your_api_key_here
- 确保图片文件存在于指定路径（默认：
images/clean.png）
快速开始：
uv run python chat_multimode.py这是一个基于 RAG（检索增强生成）技术的智能客服系统，具有以下特性：
- 📚 RAG 知识库：基于 ChromaDB 向量数据库实现文档检索
- 🤖 智能问答：使用 Ollama 大模型生成专业回答
- 📄 文档自动加载：自动扫描
data/目录下的 Markdown 文件构建知识库 - 🔍 语义检索：通过向量相似度搜索最相关的文档片段
- ⏱️ 超时保护：内置 2 分钟超时机制，避免长时间等待
- 🎨 Rich 美化界面：彩色命令行界面，实时显示处理进度
核心功能：
- 文档管理：支持自动加载、重新加载 (
reload命令) 和状态查看 (stats命令) - 智能分割：自动将文档按段落分割并控制长度（最大 500 字符）
- 上下文构建：检索 Top-K 相关文档片段，构建回答上下文
- 专业回答：基于参考信息生成友好、专业的客服回答，不编造信息
数据目录结构：
data/
├── company_info.md # 公司信息
├── faq.md # 常见问题解答
├── product_service.md # 产品服务说明
├── tech_support.md # 技术支持文档
└── terms_of_service.md # 服务条款
命令说明：
- 直接输入问题：进行智能问答
reload：重新加载文档到知识库stats：查看知识库统计信息（文档片段总数等）quit/exit/q：退出程序
环境配置：
- 在
.env文件中配置必要的 API Key：
OLLAMA_API_KEY=your_ollama_api_key
MODEL_NAME=qwen3.5
- 确保
data/目录下有相关的业务文档（Markdown 格式）
快速开始：
uv run python rag_chatbot.py运行示例：
🤖 个人 RAG 知识库 - 智能客服系统
基于 ChromaDB + Ollama | 支持文档检索与智能问答
📊 知识库状态
┌──────────────┬─────────────┐
│ 项目 │ 数值 │
├──────────────┼─────────────┤
│ 集合名称 │ knowledge_ │
│ │ base │
│ 文档片段总数 │ 45 │
└──────────────┴─────────────┘
💬 进入对话模式 | 输入 'quit' 或 'exit' 退出
👤 您：你们公司的退货政策是什么？
正在思考中...
┌─────────────────────────────────────┐
│ 🤖 智能客服 │
├─────────────────────────────────────┤
│ 根据我们的服务条款，产品购买后 7 │
│ 天内可以申请无理由退货... │
└─────────────────────────────────────┘
这是一个基于 Agent 架构的智能旅行推荐助手，具有以下特性：
- 🤖 Agent 自主决策：通过 Thought-Action 循环自主规划任务执行流程
- 🌤️ 天气查询：自动调用工具查询城市实时天气信息
- 🏛️ 景点推荐：根据城市和天气情况智能推荐热门旅游景点
- 🎨 Rich 美化输出：彩色命令行界面，清晰展示思考过程和 execution 结果
- ⚙️ 灵活配置：支持自定义 Ollama 模型、API Key 和系统提示词
功能亮点：
- 🔄 智能循环：自动执行"思考→行动→观察"循环，最多 10 次迭代
- 🛠️ 工具集成：内置
get_weather和get_attraction两个工具函数 - 📝 过程可视化：实时显示 Agent 的 Thought 和 Action 执行过程
- 🌍 多城市支持：可查询任意城市的天气和景点推荐
环境配置：
- 在
.env文件中配置必要的 API Key：
TAVILY_API_KEY=your_tavily_api_key
OLLAMA_API_KEY=your_ollama_api_key
AGENT_SYSTEM_PROMPT=你的系统提示词
MODEL_NAME=qwen3.5
OLLAMA_BASE_URL=https://ollama.com/v1
- 确保
weather_assistant/tools.py、weather_assistant/weather.py、weather_assistant/attractions.py文件存在
快速开始：
uv run python weather_assistant/main.py运行示例：
=== 智能旅行助手 ===
请输入城市名称：北京
正在查询 北京的天气和景点推荐...
Thought: 我需要先查询北京的天气情况
Action: get_weather(city="北京")
天气查询结果：晴朗，温度 25°C
Thought: 根据天气情况推荐适合的景点
Action: get_attraction(city="北京", weather="晴朗")
景点搜索结果：共 5 条
=== 推荐结果 ===
[AI 生成的详细景点推荐内容]
- Python >= 3.13
- Ollama 本地服务
- uv 包管理器
- 克隆仓库：
git clone https://github.com/<your-username>/ai-practice.git
cd ai-practice- 安装依赖：
uv sync- 配置环境变量（可选）：
创建
.env文件：
MODEL_NAME=qwen2.5-coder:7b
SYSTEM_ROLE=你是一个助手
- 启动Ollama服务：
ollama serve- 运行程序：
uv run python main.py- 交互式对话：
- 输入问题与AI对话
- 输入
quit、exit或q退出程序
ai-practice/
├── main.py # 主程序文件
├── pyproject.toml # 项目配置
├── README.md # 项目说明
└── .gitignore # Git忽略文件
- ollama >= 0.6.1
- python-dotenv >= 1.2.2
- rich >= 14.3.3
- 确保Ollama服务正在运行
- 确保所选模型已下载
- AI响应会自动保存为
ai_response_<timestamp>.md文件
MIT License