mcp server

LifeTree

Personal Decision-Making Operating System Based on Knowledge Graphs and Temporal Reasoning 基于知识图谱与时序推演的个人决策操作系统

CaryK753/LifeTreecommunitylistedunreviewed

Use tool

Set up

Runs on your computer. Pick your agent and operating system.

This project does not publish an install method we can turn into a config. Follow the README instead.

README

synced Oct 21, 2026

项目介绍

LifeTree（人生树） 是一款专注于中长期个人决策的智能信息系统。它不是简单的待办清单或笔记工具，而是一个融合了知识图谱、因果推理、贝叶斯网络与蒙特卡洛模拟的动态决策沙盘。

解决什么问题？

面对人生的重大选择——移民路径、职业转型、教育投资、家庭规划——我们常常：

信息碎片化：相关数据散落在浏览器书签、聊天记录、文档中，难以系统化
推理片面化：只看到眼前利益，忽视长期风险与机会成本
决策静态化：做出决定后不再根据新信息动态修正

LifeTree 通过以下方式解决这些问题：

信息聚合：自动抓取公开数据（RSS / 网页 / API），手动录入私域信息（文档 / 图片 / 笔记），统一结构化为知识图谱节点
因果建模：将目标→路径→要求→风险因素建模为有向图，用贝叶斯网络量化不确定性
情景推演：蒙特卡洛模拟不同选择路径下的成功概率、风险敞口与时间成本
动态预警：Celery 定时任务监控信息新鲜度（半衰期模型），自动触发风险重算与邮件预警
智能助手：基于 LangGraph 的 ReAct Agent，可调用 15+ 内置工具查询知识图谱、创建新节点、搜索网页、抓取页面内容

示例场景

本仓库内置 加拿大联邦技术移民（FSW） 示例数据，涵盖：

目标：通过 FSW 通道移民加拿大
路径：EE 入池 → ITA 邀请 → 文档提交 → 体检 → 登陆
要求：CLB 9 / 学历 ECA / 工作经验证明 / 资金证明
风险因素：年龄扣分、语言成绩波动、政策变化、配额竞争

系统架构

graph TB
    subgraph Client["前端 Client (Next.js 16)"]
        UI[页面: 仪表盘 / 图谱 / 对话 / 情景 / 信源]
        PWA[PWA: 离线缓存 + 推送]
        SSE_C[SSE 客户端: 流式对话]
    end

    subgraph API["后端 API (FastAPI)"]
        REST[REST API: CRUD / 查询]
        CHAT[Chat SSE: 流式 LLM 对话]
        CRAWLER[Crawler API: Tavily 搜索/抓取]
    end

    subgraph Agent["智能助手 (LangGraph ReAct)"]
        GRAPH[create_react_agent]
        TOOLS[15+ 内置工具<br/>查询 / 写入 / 记忆 / Web]
        LLM[LLM: OpenAI / Anthropic / 百炼 / Ollama]
    end

    subgraph Worker["异步任务 (Celery)"]
        BEAT[Beat: 定时调度]
        TASKS[Tasks: 抓取 / 风险重算 /<br/>半衰期清扫 / 通知分发]
    end

    subgraph Storage["数据层"]
        PG[(PostgreSQL 16<br/>+ pgvector)]
        NEO[(Neo4j 5<br/>知识图谱)]
        REDIS[(Redis 7<br/>Broker + Cache)]
        MINIO[(MinIO<br/>对象存储)]
    end

    subgraph External["外部服务"]
        TAVILY[Tavily API<br/>搜索 + 抓取]
        SMTP[SMTP<br/>邮件预警]
        LLM_API[LLM Provider<br/>OpenAI / 百炼 / Anthropic / Ollama]
    end

    UI --> REST
    UI --> CHAT
    UI --> CRAWLER
    PWA --> UI
    SSE_C --> CHAT

    CHAT --> GRAPH
    GRAPH --> TOOLS
    GRAPH --> LLM
    LLM --> LLM_API
    TOOLS --> REST
    TOOLS --> CRAWLER
    CRAWLER --> TAVILY

    REST --> PG
    REST --> NEO
    TOOLS --> PG
    TOOLS --> NEO

    BEAT --> TASKS
    TASKS --> PG
    TASKS --> NEO
    TASKS --> CRAWLER
    TASKS --> SMTP
    TASKS --> REDIS

    CHAT --> REDIS
    REST --> REDIS

数据流

sequenceDiagram
    participant U as 用户
    participant F as 前端
    participant B as 后端 API
    participant A as AI Agent
    participant DB as PostgreSQL
    participant T as Tavily

    U->>F: 在对话页输入问题
    F->>B: POST /api/v1/chat/stream (SSE)
    B->>A: create_react_agent.astream_events()
    A->>A: 思考：是否需要工具？
    A->>DB: 调用 list_pathways / list_risk_factors
    DB-->>A: 返回知识图谱数据
    A->>T: 调用 web_search (如需外部信息)
    T-->>A: 返回搜索结果
    A-->>B: 流式输出文本 + 工具调用
    B-->>F: SSE: delta + tool_call chunks
    F-->>U: 打字机效果 + 内联工具 UI

技术栈

层	技术	说明
前端	Next.js 16 (App Router)	React 19, standalone output, PWA
	Vercel AI SDK	流式对话组件 (Thread / Message / Composer)
	Tailwind CSS + Radix UI	主题系统 (亮/暗/跟随系统)
	Cytoscape.js + React Flow	知识图谱 + 情景树可视化
	ECharts	统计图表
	SWR	数据获取与缓存
	i18n	6 语言: 简中 / 繁中 / EN / ES / DE / FR
后端	FastAPI	REST + SSE + 流式 AI
	SQLAlchemy + Alembic	ORM + 迁移
	Pydantic v2	数据校验
	Instructor	LLM 结构化输出
	LangGraph	ReAct Agent + 工具编排
	Celery + Beat	异步任务 + 定时调度
数据库	PostgreSQL 16 + pgvector	关系数据 + 向量检索
	Neo4j 5	知识图谱 (APOC)
	Redis 7	Celery broker + 缓存
	MinIO	对象存储 (文件上传)
LLM	OpenAI 兼容 / Ollama	支持 OpenAI / DeepSeek / 智谱 / vLLM / 本地 Ollama
	Anthropic Claude	原生协议
	阿里云百炼 DashScope	Chat / Vision / Embedding / Rerank
部署	Docker Compose	一键启动全栈
	GitHub Actions	CI/CD 多架构镜像构建
	GHCR	镜像 Registry

功能特性

核心模块

目标罗盘：仪表盘式目标管理，跟踪进度、截止日期、风险状态
知识图谱：Cytoscape 力导向布局，节点 = 实体，边 = 关系，支持点击探索
智能助手：流式对话，15+ 内置工具，按供应商分组选择当前对话模型，工具调用 UI 内联渲染
用户扩展：每位用户可独立配置 MCP（HTTP / SSE / stdio）与 Skills（文本 / 压缩包 / 文件夹 / GitHub）
情景推演：React Flow + dagre 树形布局，蒙特卡洛模拟，分支概率环 + 风险指示
信源管理：可信度评级（高 / 中 / 低 / 用户标记），信息半衰期管理（指数衰减模型）
风险预警：通知中心，严重度分级（紧急 / 警告 / 信息），SMTP 邮件推送
信息录入：拖拽上传（PDF / Word / Excel / PPT / 图片），Mineru 解析，AI 结构化提取

AI 内置工具

工具	类型	说明
`list_pathways`	查询	列出目标的所有路径
`list_requirements`	查询	列出路径的准入要求
`list_risk_factors`	查询	列出风险因素
`list_recent_events`	查询	列出最近事件
`get_scenario_summary`	查询	获取情景摘要
`run_scenario_reasoning`	推理	执行贝叶斯/蒙特卡洛推理
`create_goal` / `create_pathway` / `create_requirement` / `create_risk_factor`	写入	创建知识图谱节点
`list_memories` / `remember` / `forget`	记忆	用户长期记忆管理
`web_search`	Web	Tavily 网络搜索
`web_fetch`	Web	Tavily 网页内容抓取

PWA 特性

离线缓存（App Shell + 静态资源 + API 响应）
流式对话绕过缓存（/api/v1/chat/stream 直连后端）
安装到桌面 / 移动主屏
主题色适配亮/暗模式
抽屉式侧边栏：在 PWA 模式或视口宽度 < 1024px 时，左侧栏默认隐藏，通过页面左上角的 SidebarToggleButton 滑入式唤起；通过内联脚本 + html.pwa / html.drawer-mode 类在水合前避免侧边栏闪烁
iOS navigator.standalone 检测，覆盖 display-mode 媒体查询遗漏的场景
适配刘海屏 / Home Indicator 的安全区内边距

快速开始

前置条件

Docker + Docker Compose
或者：Python 3.11+、Node.js 20+、pnpm/npm（仅本地开发时需要）

方式一：Docker 一键启动（推荐）

docker-compose.yml 默认使用 GHCR 上的预构建镜像（ghcr.io/caryk753/lifetree-backend、ghcr.io/caryk753/lifetree-frontend），一条命令即可拉起全栈：

# 1. 克隆仓库
git clone https://github.com/CaryK753/LifeTree.git
cd LifeTree

# 2. 配置环境变量
cp .env.example .env
# 编辑 .env，至少填写一个 LLM API Key

# 3. 一键启动全栈（基础设施 + 后端 + Worker + 前端）
docker compose up -d

# 4. 初始化数据库（首次运行）
docker compose exec backend python scripts/init_db.py

# 5. 灌入示例数据（可选）
docker compose exec backend python scripts/seed_fsw.py

想固定到某个版本？通过环境变量覆盖镜像 tag：
BACKEND_IMAGE_TAG=0.1.0 FRONTEND_IMAGE_TAG=0.1.0 docker compose up -d

启动后访问：

前端：http://localhost:13000
后端 API：http://localhost:18000
API 文档：http://localhost:18000/docs
Flower（Celery 监控）：http://localhost:15555
MinIO 控制台：http://localhost:19001
Neo4j 浏览器：http://localhost:17474

方式二：本地构建镜像启动

如果你需要修改后端 / 前端代码或临时调试，传 --build 让 compose 用本地 Dockerfile 构建：

cp .env.example .env
# 编辑 .env，至少填写一个 LLM API Key
docker compose up -d --build
docker compose exec backend python scripts/init_db.py

方式三：本地开发

详见本地开发章节。

Docker 一键部署

完整的 docker-compose.yml 包含以下服务：

服务	镜像	端口	说明
`postgres`	`pgvector/pgvector:pg16`	15432	PG + pgvector 向量扩展
`neo4j`	`neo4j:5.20`	17687, 17474	知识图谱 + APOC
`redis`	`redis:7-alpine`	16379	Celery broker + 缓存
`minio`	`minio/minio:latest`	19000, 19001	对象存储
`backend`	`ghcr.io/caryk753/lifetree-backend`	18000	FastAPI 应用
`worker`	`ghcr.io/caryk753/lifetree-backend`	-	Celery Worker
`beat`	`ghcr.io/caryk753/lifetree-backend`	-	Celery Beat 调度器
`flower`	`mher/flower:latest`	15555	Celery 监控
`frontend`	`ghcr.io/caryk753/lifetree-frontend`	13000	Next.js standalone

# 启动所有服务（默认拉取 GHCR 预构建镜像）
docker compose up -d

# 强制本地构建后启动
docker compose up -d --build

# 查看日志
docker compose logs -f backend frontend

# 停止
docker compose down

# 停止并清除数据卷
docker compose down -v

镜像 tag 控制

默认拉取 latest，可通过环境变量固定版本：

BACKEND_IMAGE_TAG=0.1.0 FRONTEND_IMAGE_TAG=0.1.0 docker compose up -d

如需手动拉取镜像（如离线环境预下载）：

docker pull ghcr.io/caryk753/lifetree-backend:latest
docker pull ghcr.io/caryk753/lifetree-frontend:latest

本地开发

1. 启动基础设施

cp .env.example .env
# 编辑 .env，填写 LLM_API_KEY 等

# 仅启动基础设施服务
docker compose up -d postgres neo4j redis minio

2. 启动后端

cd backend
python -m venv .venv && source .venv/bin/activate
pip install -e ".[dev]"

# 首次建表
python scripts/init_db.py

# 启动 API
uvicorn app.main:app --reload --port 18000

# 另开终端：启动 Celery Worker + Beat
celery -A app.workers.celery_app worker -l info
celery -A app.workers.celery_app beat -l info

3. 启动前端

cd frontend
npm install
npm run dev

4. 灌入示例数据

cd backend
python scripts/seed_fsw.py

打开 http://localhost:13000 即可看到目标罗盘仪表盘。

配置说明

LLM 配置

管理员在管理页面（/admin）配置平台 LLM Provider；获授权的普通用户可在设置页面（/settings）配置私有服务：

添加 Provider：选择协议（OpenAI 兼容 / Ollama / Anthropic / 阿里云百炼），填写 baseURL 和 API Key
添加模型：填写模型 ID（如 gpt-4o-mini），勾选能力（chat / vision / embedding / rerank）
分配角色：为每个角色选择一个模型

支持的 Provider：

OpenAI 兼容：OpenAI / DeepSeek / 智谱 / OneAPI / vLLM
Ollama：本地 OpenAI 兼容端点，适合单用户桌面部署
Anthropic：Claude 系列（chat / vision）
阿里云百炼：通义千问 / gte-rerank / qwen3-rerank
- Chat / Vision / Embedding 走 OpenAI 兼容协议
- Rerank 自动路由到原生端点 /api/v1/services/rerank/text-rerank/text-rerank
- Embedding 默认 1024 维

Tavily 搜索配置

在设置页面填写 Tavily API Key，启用：

智能助手的 web_search 和 web_fetch 工具
信源抓取（RSS / 网页爬取）

SMTP 邮件配置

在设置页面配置 SMTP，启用风险预警邮件推送。支持发送测试邮件验证配置（发送前先做权限校验）。配置项包括：

SMTP 服务器地址、端口
用户名、密码
发件人邮箱、发件人名称
使用 TLS（STARTTLS，端口 587）/ 使用 SSL（端口 465）

认证与多用户模式

LifeTree 支持两种使用模式，由环境变量 LIFETREE_USE_MODE 控制（默认 single），并持久化到数据库 app_config.use_mode，可通过 PUT /settings/use-mode 切换：

单用户模式（single，默认）：仍需注册和登录。首个账号自动成为管理员；首个账号创建后，服务端自动禁止新增注册。它等价于开启“禁止注册”的单账号实例。
多用户模式（multi）：必须使用 PostgreSQL、Neo4j、Redis、MinIO、Celery 等全量服务部署。首个注册账号自动成为管理员；管理员也可通过 LIFETREE_ADMIN_USER_IDS 补充提权。

本地 SQLite 存储只用于 single 模式，不能用于 multi。LIFETREE_STORAGE_MODE=local 已提供 SQLite Alpha、内容寻址文件存储和进程内任务执行器，目标、行动与上传 vertical slice 已通过隔离测试。嵌入式图、向量索引、sidecar 打包、静态桌面前端、正式迁移器和加密仍在开发中，因此桌面启动器暂不解锁 local_private。

支持的登录方式：

邮箱 + 密码（JWT access/refresh token），可选邮件验证码注册流程（send-code / register-with-code）
OAuth 登录：Google / GitHub / Microsoft，端点 /auth/oauth/{id}/start 与 /auth/oauth/{id}/callback

数据隔离：events / sources / plugins / 私有模型 / 默认角色 / MCP / Skills / chat 对话均按 user_id 隔离。前端聊天数据按 lifetree.chat.conversations.v2.<userId> 分区存储到 localStorage。

管理员平台配置

多用户模式下，管理员可见独立的平台配置页面，集中管理：

模型与服务 API 密钥（OpenAI / Anthropic / 阿里云百炼 / Tavily / SMTP 等）
用户管理（GET/PATCH/DELETE /admin/users）与平台统计（GET /admin/stats）
“允许普通用户自己配置服务”开关；关闭时普通用户只能使用管理员提供的模型

非管理员用户只能看到管理员模型的公开名称、能力与“管理员提供”标签，不能查看管理员 Base URL 或 API Key。用户自己的 LLM、Tavily、MinerU 和四类默认模型独立存储。

MCP 与 Skills

MCP 支持 HTTP、SSE 与 stdio。stdio 使用“命令 + 参数数组”执行，不经过 shell，并限制超时与输出大小；multi 模式阻止访问私有网段地址。
Skills 支持直接粘贴文本、上传 ZIP/TAR、选择文件夹、填写 GitHub HTTPS 地址浅克隆。导入过程限制 2 MiB，过滤路径穿越和符号链接。
启用的 Skills 会作为用户提供的上下文注入智能助手，不能覆盖系统安全规则；启用的 MCP 会按用途描述成为可自动调用工具。

环境变量

完整变量见 .env.example。

插件系统

LifeTree 的插件系统允许通过自定义 Python 脚本接入任意数据源（RSS、网页爬虫、API 等），将外部信息自动结构化为知识图谱中的事件、指标、断言和关系。支持内置插件和用户上传插件两种来源。

插件契约

每个插件是一个 Python 文件，需实现以下静态方法：

from app.services.plugins import Plugin, PluginManifest, PluginParam

class Plugin:
    @staticmethod
    def manifest() -> PluginManifest:
        """返回插件元数据：名称、描述、参数定义"""

    @staticmethod
    def fetch(params: dict) -> str | bytes:
        """抓取原始数据，返回文本或二进制"""

    @staticmethod
    def transform(raw, llm) -> str:  # 可选
        """可选：用 LLM 预处理原始数据后再交给结构化服务"""

内置插件：放在 backend/plugins/ 目录下，随镜像发布。参考示例：sample_rss_feed.py、sample_web_scraper.py。
用户上传插件：通过 /plugins/upload 接口上传，存储在 backend/plugins/user_uploaded/{plugin_id}.py，元数据记录在 user_plugins 表中。Docker Compose 已为 /app/plugins/user_uploaded/ 配置 named volume，重启容器后自定义插件不会丢失。

插件上传

插件页面支持直接上传 .py 文件，无需重新构建镜像即可添加自定义插件。上传流程经过多重安全校验：

AST 语法检查：拒绝无法解析的源码
导入黑名单：禁止 os / sys / subprocess / shutil / ctypes / socket / multiprocessing / importlib / pickle / marshal / pty / posix / nt / resource 等危险模块
危险内建调用检查：拦截 eval / exec / __import__ 等调用
契约校验：必须暴露有效的 Plugin 类与 manifest() 方法
临时模块加载验证：在临时路径中导入模块，确保 manifest() 可正常调用

接口列表：

方法	路径	说明
`POST`	`/plugins/upload`	上传用户插件（支持 `overwrite=true` 覆盖）
`DELETE`	`/plugins/{id}`	软删除用户插件（内置插件不可删除）
`PATCH`	`/plugins/{id}/enabled`	启用 / 禁用用户插件
`POST`	`/plugins/{id}/run`	抓取 + 转换 + 入库

贡献插件

欢迎通过 Pull Request 提交自定义插件：

Fork 仓库并在 backend/plugins/ 下创建插件文件（文件名须为小写蛇形，如 my_feed.py）
实现插件契约，确保 manifest() 和 fetch() 正常工作
在 PR 描述中说明插件用途、参数说明和测试方式
通过审核后合并到主线版本，随正式版本发布

License

GNU Affero General Public License v3.0 — see LICENSE file for details.