还在手动拖拽海量文件到 AI 网页端？还在为了调用一个 API 而熬夜手写复杂的 PDF/Word 解析脚本？

LAMB 是一个开箱即用的本地 AI 批处理框架，旨在为开发者和研究人员提供一个极简、极其便捷的文件自动化处理方案。它完美填补了“网页端手动处理效率低下”与“纯手写代码门槛过高”之间的空白。通过引入最前沿的 MCP (Model Context Protocol) 智能体架构，你只需在极客风格的终端里输入一句简单的指令，系统的大脑（如 DeepSeek）便会自动拆解意图、寻址本地文件夹、全自动解析文档、处理并生成结构化报告。

告别机械式的拖拽与繁琐的代码配置，让 LAMB 接管你的海量文件流水线。

• ❌ 网页端大模型 (ChatGPT/DeepSeek Web) 的痛点：传文件太累、容易断线且Token超限，处理结果无法直接保存为本地原格式文件。
• ❌ 手动编写 API 脚本的痛点：需要从头折腾 python-docx 和 PyMuPDF，需要自己处理损坏文件的报错，扩展性极差。
• ✅ LAMB 的轻量级解法：
  • 零配置解析：内置工业级文件解析器，自动搞定 .txt, .docx, .pdf 的文字提取与清洗。
  • 指令驱动一切：无需修改代码配置，在终端中用一句自然语言指令（如：“批改 data/inputs 里的作业”）即可驱动全流程。
  • 本地安全持久化：处理结果自动保存为独立的新 .docx 文件，或者聚合成一张 .csv Excel 报表，完全在本地安全运行。
  • 极致轻量便捷：比起像龙虾（LangChain）一样庞大、复杂的 Agent 框架，LAMB 的配置极其简单、便捷，开箱即用。

无论是学术研究还是自动化批改，LAMB 都能为你节省 90% 的机械劳动时间：

• Map-Reduce 级文献综合分析：“综合阅读整个目录的文献，回答‘激活向量控制的主要方法有哪些’，并强制标注引用来源。”
• 单篇文献精准分析：“帮我精读这篇长文，提炼作者的 linear probes 实验结果。”

• 海量作业批量批改：“根据给定的标准，批改文件夹里的所有 Word 作业，打分并写一句评语。”
• 聚合结果至 batch_report.csv，告别手动登分的痛苦。

• ** Parsers (解析)**：插件式设计，轻松增加新格式（如 PDF/MarkDown）支持。
• Templates (提示词组装)：让指令与代码逻辑完全解耦。
• LLM Engine (网络请求)：统一封装兼容 OpenAI 的大模型 API 调用。
• Writers (持久化输出)：支持将模型输出重组并持久化保存为各种格式文件。
• MCP 支持：底层核心已被封装为标准 MCP Tools。你可以使用本项目自带的控制台，也可以将其直接接入 Cursor 或 Claude Desktop！

git clone [https://github.com/你的用户名/lamb.git](https://github.com/你的用户名/lamb.git)
cd lamb
pip install -r requirements.txt
# 安装终端 UI 依赖
pip install rich mcp

在项目根目录新建 .env 文件，填入你的 API 密钥（默认完美兼容 DeepSeek）：

LLM_API_KEY=your_api_key_here
LLM_BASE_URL=[https://api.deepseek.com](https://api.deepseek.com)

只需将待处理文件扔进 data/inputs 文件夹，然后运行：

python client/terminal_ui.py

在终端中像吩咐人类助手一样输入指令：

"提取 data/inputs 里面所有 PDF 论文的核心结论，并汇总成表格。"

端起咖啡，看着优美的进度条，等待结果出现在 data/outputs 文件夹中即可。

🎉 Rebranding (品牌重构)

• 项目正式更名为 LAMB (Lightweight Agent for Massive Batch-processing)，强调极简轻量与海量批处理卖点。 🚀 Added (新增)
• 在 core/workflow.py 中引入高级 Map-Reduce 全流程流水线，支持对整个目录进行多文档综合问答。

• 全面迁移至 Model Context Protocol (MCP) 架构，拆分 Client 与 Server 端，引入异步 ReAct 智能体循环。

我们期待与你一起打造最强的本地 AI 工具链。

MIT License.