DarkChuang

基于 GLM-4V 多模态大模型、RAG 知识库 和 RDKit 化学计算引擎 的新一代智能化学助手。

系统架构

项目简介

DarkChuang 是一个现代化的化学问答机器人系统。相较于传统的大模型对话，本项目深度集成了专业的化学工具链和 Agentic Workflow（代理工作流），能够提供精准的分子计算、结构可视化、基于知识库的问答以及专业的 NMR 光谱分析能力。

核心亮点 (v2.1)

• 🤖 Agentic NMR 分析: 引入代理工作流，结合 VLM (视觉大模型) 进行峰值提取、LLM 进行逻辑推理、RDKit 进行化学规则验证，实现高精度的核磁共振谱图解析。
• 📚 RAG 知识增强: 支持上传 PDF/TXT 等化学文献构建本地知识库，基于 ChromaDB 向量检索，让回答有据可依。
• 🧪 专业化学计算: 内置 RDKit 引擎，支持分子量、LogP、TPSA等物理属性的精确计算，告别大模型"瞎猜"。
• 🧬 实时结构可视化: 自动识别对话中的化学物质（如"Aspirin"），实时生成 2D 分子结构图和 3D 交互式模型，并持久化存储。
• 💾 持久化历史记录: 基于 SQLite 的完整对话历史存储，支持图片上传回显和历史会话管理。
• ⚛️ 极简交互: 全新重构的 Svelte + TailwindCSS 前端，专注于沉浸式化学探索体验。
• 🔍 全屏预览: 支持图片和 3D 模型的全屏放大预览，提供更清晰的细节观察体验。

技术栈

后端技术

• 框架: Python 3.10+ + FastAPI
• AI模型: GLM-4V-Plus / GLM-4-Plus (via SiliconFlow API)
• 化学引擎: RDKit (分子计算、绘图、验证)
• 向量数据库: ChromaDB (RAG 检索)
• 数据库: SQLite (会话历史存储)
• ORM: SQLAlchemy
• 异步处理: Uvicorn + Aiofiles

前端技术

• 框架: Svelte 4 + Vite
• 语言: TypeScript
• 样式: Tailwind CSS
• 状态管理: Svelte Stores
• HTTP: Fetch API

快速开始

🚀 一键启动 (Windows / macOS / Linux) - 推荐

项目根目录提供了智能启动脚本，自动完成环境配置和依赖安装，实现开箱即用：

Windows 用户:

1. 确保已安装 Python 3.10+ 和 Node.js。
2. 双击运行 start_dev.bat。

macOS / Linux 用户:

1. 确保已安装 Python 3 和 Node.js。
2. 在终端运行：

chmod +x start_dev.sh
./start_dev.sh

脚本将自动检测环境、创建虚拟环境、安装 Python/Node 依赖（自动配置国内源）、生成配置文件并启动服务。

手动启动步骤

1. 克隆项目

git clone https://github.com/qwe4559999/DarkChuang.git
cd DarkChuang

2. 后端启动

cd backend
# 建议使用 Conda 或 venv 创建虚拟环境
python -m venv venv
.\venv\Scripts\activate

# 安装依赖
pip install -r requirements.txt

# 配置 API Key
# 在 backend 目录下创建 .env 文件
# SILICONFLOW_API_KEY="your-api-key"

# 启动服务
uvicorn app.main:app --reload

3. 前端启动

cd frontend
# 安装依赖
npm install

# 启动开发服务器
npm run dev

4. 访问应用

打开浏览器访问: http://localhost:5173

功能演示

1. 智能 NMR 谱图分析 (Agentic Workflow)

用户上传一张 NMR 谱图或输入峰值数据。 系统执行代理流程:

1. 感知: VLM 模型识别图像中的峰值和化学位移。
2. 推理: LLM 根据峰值推断可能的结构片段。
3. 验证: RDKit 验证推断结构的化学合理性。
4. 输出: 给出最可能的分子结构及其置信度。

2. 分子查询与可视化

用户输入: "Show me the structure of Caffeine" 系统响应:

• 自动提取 "Caffeine"
• 调用 RDKit 生成咖啡因的分子结构图 (PNG)
• 计算并展示 MW, LogP 等属性

3. 知识库问答 (RAG)

用户上传化学文献 PDF。 用户提问: "这篇文献中提到的合成路线是什么？" 系统响应:

• 检索向量数据库中的相关段落
• 结合上下文生成准确回答

目录结构

DarkChuang/
├── backend/                # FastAPI 后端
│   ├── app/
│   │   ├── api/            # API 路由 (Chat, Chemistry, Knowledge)
│   │   ├── core/           # 核心配置
│   │   ├── db/             # 数据库模型
│   │   ├── services/       # 业务逻辑 (LLM, RAG, Chemistry)
│   │   └── tools/          # Agent 工具
│   ├── data/               # 数据存储 (Vector DB, Uploads)
│   └── static/             # 静态资源 (生成的分子图)
├── frontend/               # Svelte 前端
│   ├── src/
│   │   ├── components/     # UI 组件
│   │   ├── lib/            # API 客户端
│   │   └── stores/         # 状态管理
└── docs/                   # 项目文档

贡献

欢迎提交 Pull Request 或 Issue！

许可证

MIT License