星智穹图 ASTRO

面向天文科普与知识探索的多模态智能平台

连接智能问答、图像检索、知识图谱、前沿资讯与三维天体可视化，让天文问题变成一段可交互的探索旅程。

项目简介 · 核心功能 · 系统架构 · 快速启动 · 技术亮点

---

项目简介

星智穹图 ASTRO 是一个面向中文天文爱好者、学生与科普展示场景的 Web 应用。项目围绕“问答、检索、图谱、可视化”四类核心交互展开，后端通过自适应 RAG、知识图谱、图像向量检索和多模态模型能力，为用户提供更自然、更完整、更可探索的天文科普体验。

项目适用于：

• 天文科普网站与课堂演示
• 天文知识问答与图文解释
• 天文图片相似检索与以文搜图
• 天体关系发现、路径推理与知识图谱展示
• 太阳系与典型天体的三维可视化展示
• 中国计算机设计大赛 Web 应用与信息可视化方向作品展示

---

核心功能

---

系统架构

flowchart LR
    U[用户层\nWeb 浏览器 / 移动端访问] --> F[前端展示层\nVue3 + Vite + TypeScript\n问答 / 图像 / 图谱 / 3D]
    F --> G[后端 API 层\nFastAPI\nJWT 鉴权 / SSE 流式输出 / 限流]
    G --> A[智能体编排层\nAdaptive RAG Agent\n意图识别 / 任务路由 / 策略控制]

    A --> M[AI 模型能力\nAstroSage-8B 本地问答\nAstroLLaVA 视觉问答\n国内 AI 接口：DeepSeek / 通义千问]
    A --> R[知识检索能力\n本地天文知识库\nBM25 + 向量检索\n多轮检索与证据融合]
    A --> K[知识图谱能力\nNeo4j / NetworkX\n实体关系 / 多跳路径\nGraphRAG]
    A --> I[图像检索能力\nOpenCLIP 图文编码\nMilvus 向量库\n以文搜图 / 以图搜图]
    A --> T[天文工具能力\n轨道计算\n天体可见性\n坐标转换]

    M --> O[结果输出\n智能问答 / 图像检索 / 知识图谱 / 3D 可视化 / 个性化记录]
    R --> O
    K --> O
    I --> O
    T --> O

    D[(数据与存储\nSQLite / Redis / Neo4j / Milvus / MinIO)] --> R
    D --> K
    D --> I

---

技术栈

前端

后端

AI 与检索

---

技术亮点

1. 自适应 RAG，而不是机械检索

系统会根据问题复杂度自动选择不同策略：

• 简单问题：优先走模型或本地稳答路径，减少无意义检索。
• 中等问题：执行单轮知识库检索并进行科普化总结。
• 复杂问题：多轮检索，必要时联动知识图谱、动态数据和联网天文资料。

这种设计可以同时兼顾回答速度、准确率和演示稳定性。

2. 多源证据融合

问答链路不是单纯调用一个模型，而是综合使用：

• 本地天文知识库
• 知识图谱实体关系
• 图像检索结果
• NASA / arXiv 等动态数据
• 本地模型与可选国内云端模型

后端会对不同来源的证据进行整理、去重、优先级控制和回答生成。

3. 面向比赛演示的性能兜底

项目加入了多层稳定性设计：

• SSE 流式回答，减少“长时间无反馈”
• 热门问答缓存
• 知识卡片缓存
• 图谱查询缓存
• 图片检索缓存
• 检索 top-k 限制
• 图谱子图加载，避免一次性全量展开
• 视觉模型与 CLIP 预热
• 接口超时与友好降级提示

4. 多模态天文检索

图像模块基于 OpenCLIP 与 Milvus 构建图文向量索引，支持：

• 输入“木星大红斑”“环状星云”等文本检索相关图片
• 上传图片检索相似天文图像
• 图片去重与本地索引兜底
• 图片放大、保存、复制链接与收藏

5. 知识图谱与 GraphRAG

知识探索模块围绕实体关系展开：

• 输入实体后加载“该实体 + 周边关系”的子图谱
• 查看节点详情、类别、相关实体和关系路径
• 对两个天体进行属性对比与可视化
• 查询多跳路径，展示实体之间的间接关系
• 将图谱证据注入问答链路，提高复杂问题解释能力

---

快速启动

环境要求

1. 克隆项目

git clone https://github.com/sherlockhomers/Astro.git
cd Astro

2. 启动基础设施

docker compose up -d

默认会启动：

• Neo4j: http://localhost:7474
• Milvus: localhost:19530
• MinIO: http://localhost:9001
• Redis: localhost:6379

3. 启动后端

cd backend
python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt
copy .env.example .env
uvicorn app.main:app --host 127.0.0.1 --port 8000 --reload

后端地址：http://127.0.0.1:8000

API 文档：http://127.0.0.1:8000/docs

4. 启动前端

cd frontend
npm install
npm run dev

前端地址：http://127.0.0.1:5173

5. Windows 一键启动脚本

项目提供了本地演示启动脚本：

powershell -ExecutionPolicy Bypass -File D:\Astro\scripts\start_astro_stack.ps1

该脚本会尝试启动 Docker Desktop、Milvus 和后端服务，并检查模型与图像索引状态。

---

关键配置

后端配置文件位于 backend/.env。常用配置如下：

APP_ENV=dev
ALLOWED_ORIGINS=http://localhost:5173,http://127.0.0.1:5173

AUTH_SECRET=REPLACE_WITH_AT_LEAST_32_RANDOM_CHARS

NEO4J_ENABLED=true
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=REPLACE_WITH_STRONG_PASSWORD

MILVUS_ENABLED=true
MILVUS_HOST=localhost
MILVUS_PORT=19530
MILVUS_COLLECTION=astro_image_clip

MINIO_ENABLED=false

CSV_ROOT=D:/Astro/天文学数据集.xlsx
IMAGE_BASE_DIRS=F:/astronomical_dataset/astronomical-image-and-csv-dataset/data/images
TEXT_CORPUS_ROOT=D:/Astro/backend/data/text_corpus

CLOUD_LLM_ENABLED=false
CLOUD_LLM_PROVIDER=deepseek
CLOUD_LLM_API_KEY=REPLACE_WITH_YOUR_KEY
CLOUD_LLM_MODEL=deepseek-chat

生产或公开部署时，请务必替换 AUTH_SECRET、数据库密码、MinIO 密钥和云端模型密钥。不要将真实密钥提交到 GitHub。

---

数据与索引

构建知识图谱

cd backend
python scripts/build_kg_from_csv.py

导入高质量文本知识库

cd backend
python scripts/ingest_hq_astronomy_corpus.py
python scripts/ingest_text_corpus.py

构建图像目录与 Milvus 索引

cd backend
python scripts/prepare_image_manifest.py
python scripts/index_milvus_clip.py

图像检索模块支持 Milvus 优先、本地索引兜底。比赛演示前建议确认：

Milvus 端口：19530
图像索引状态：completed
向量数量：与图片目录去重后的有效图片数一致

---

项目结构

Astro/
├─ frontend/                  # Vue 3 前端应用
│  ├─ src/views/              # Landing、QA、ImageSearch、Knowledge、Starfield 等页面
│  ├─ src/components/         # 图谱、3D、图像卡片等组件
│  ├─ src/router/             # 路由配置
│  ├─ src/stores/             # Pinia 状态管理
│  └─ src/api.ts              # API 客户端
├─ backend/                   # FastAPI 后端服务
│  ├─ app/routers/            # auth、qa、graph、image、landing、system 等路由
│  ├─ app/services/           # Agent、RAG、图谱、图像检索、模型服务
│  ├─ data/                   # 本地知识库、规则、缓存数据
│  ├─ models/                 # 本地模型适配器
│  └─ scripts/                # 数据清洗、索引构建、评测脚本
├─ data/                      # 项目数据文件
├─ docs/                      # 设计文档、演示材料与说明
├─ scripts/                   # 一键启动、PPT 图片生成、环境检查脚本
├─ compose.yaml               # Docker Compose 基础设施
└─ README.md                  # 项目说明文档

---

主要 API

完整接口以启动后的 Swagger 文档为准：http://127.0.0.1:8000/docs。

---

比赛展示工作量

本项目不仅是页面展示，还包含较完整的 AI 应用工程链路：

1. 数据工程：清洗 Excel、NASA、APOD、arXiv、图片数据集，构建文本知识库、图谱数据与图像索引。
2. 智能体编排：实现意图识别、任务路由、动态 RAG、多轮检索、证据融合和回答缓存。
3. 多模态能力：接入本地天文语言模型、视觉问答模型和 CLIP 图文向量检索。
4. 知识图谱：支持实体关系、子图谱、路径发现、实体对比和 GraphRAG 增强问答。
5. 性能优化：流式输出、缓存、懒加载、索引兜底、接口超时、图谱分级加载和模型预热。
6. 工程安全：JWT 鉴权、刷新令牌、CORS 白名单、限流、配置隔离和敏感信息不入库。
7. 可演示性：提供系统状态、评测面板、典型问答、图像检索和知识探索闭环。

---

开发命令

前端

cd frontend
npm run dev
npm run build
npm run type-check
npm run lint

后端

cd backend
uvicorn app.main:app --reload --port 8000
python scripts/enterprise_smoke_check.py
python scripts/load_test.py

Docker

docker compose up -d
docker compose ps
docker compose logs -f milvus-standalone

---

开源与声明

• 本项目用于天文科普、学习研究与比赛展示。
• 项目中涉及的公开数据来源包括 NASA、arXiv、CDS Aladin、NASA Exoplanet Archive 等。
• 本项目可配置本地模型与国内云端模型接口，实际部署时请遵守对应模型与数据源的许可协议。
• 若使用第三方模型权重或数据集，请根据其开源协议进行下载、部署与引用。

---

License

This project is released under the MIT License. See LICENSE for details.