🧠 PdfToMem
将PDF转换为结构化、可查询的内存——专为LLM构建。
大型语言模型在记忆方面存在困难。 PdfToMem 使其毫不费力。\ 通过结合推理驱动的摄取、结构化检索和多代理架构，它将非结构化PDF转换为丰富的内存表示。
它暴露了一个强大的 MCP服务器 协调摄取、推理、存储和查询——使用最先进的工具，如 Llama指数 和 LangGraph.
______________________________________________________________________
🎥 视频演练
🧠 MCP服务器-- _内存控制平面_
这 MCP服务器 是PdfToMem的大脑。它利用基于工具的推理来：
- 🏗️ 设计摄入管道
- 🧩 选择正确的内存表示
- 📊 索引和结构PDF内容以供检索
使用以下工具 determine_memory_architecture 使用以下命令自动推断最佳内存结构 LlamaIdex抽象:
VectorIndexQueryEngineLLMSelector
______________________________________________________________________
🛠️ 基于LangGraph的工具驱动解析
PdfToMem 采用模块化 工具 从PDF中提取结构化数据：
- 📄 文本提取
- 📊 表检测
- 🧾 扫描文档的OCR
- 🖼️ 图像提取
- 📸 PDF屏幕截图
这些工具为 多智能体系统，实现智能、上下文感知的处理。
______________________________________________________________________
🤖 多代理架构
PdfToMem使用 基于LangGraph的编排器 协调专业代理。每个代理执行不同的任务：
- 🕵️ 提取剂 –提取原始内容
- 🧠 语义代理 –应用嵌入和理解
- ✂️ 细分代理 –智能拆分内容
- 🕸️ 关系代理 –构建语义链接
编排者决定 何时与如何 根据内容类型和推理目标调用这些代理。
______________________________________________________________________
🧭 记忆规划——表征推理
一旦数据结构化 规划模型 （目前 o3-mini)确定 最佳存储格式 使用 Llama指数 组件：
- 🧱
SimpleSentenceIndex - 🌐
AutoMergingIndex - 🧮 自定义工具增强索引
这种推理驱动的方法确保 最佳检索性能 根据文件量身定制。
______________________________________________________________________
💾 存储--灵活、动态、可查询
基于所选的内存表示，FastAPI支持 存储服务 打造量身定制的 查询引擎 对于每个PDF。
- 🔍 内置搜索和检索功能
- 🧠 矢量和混合索引支持
- 🧪 模块化实验
该存储旨在支持 可扩展存储系统 跨域。
______________________________________________________________________
🖥️ MCP客户端——具有友好UI的完全控制
这 MCP客户端 是一个基于React的界面，用于控制整个生命周期：
- ⚙️ 配置代理、工具、内存计划
- 📂 上传和摄取PDF
- 🔎 预览结构化块
- 🧪 查询内存和查看响应
一切都是交互式的、可检查的和可定制的。
______________________________________________________________________
🚀 为什么选择PdfToMem？
- ✅ LLM优化摄取和记忆
- 🧩 模块化工具和代理
- 🧠 基于推理的记忆规划
- 💬 通过LlamaIndex查询表示
- 🌐 用于完整管道控制的UI+neneneba API
______________________________________________________________________
🛠️ _欢迎投稿！帮助我们构建智能存储系统的未来。_\ 🔗 MIT许可证