Lumo 是一个基于 Django REST Framework、Slack SDK 以及 LiteLLM 的 Slack 机器人。 它可以在 Slack 中和用户对话，并且能够对 thread 及 channel 的历史消息进行总结：

• Thread：总结整个 thread 的所有消息。
• Channel：默认总结当天的内容，也可以自定义日期或时间范围。

1. 安装依赖

   pip install -r requirements.txt

2. 配置环境变量：复制 .env.example 为 .env 并填入真实的 Slack / LiteLLM 配置。
3. 初始化数据库

   python manage.py migrate

4. 运行开发服务器

   python manage.py runserver 0.0.0.0:8000

项目内置了 docker-compose.yml 与 Dockerfile，默认使用 uv 来安装依赖并运行 Django。 组合服务包含：

• bot：Lumo Slack Bot，本地端口 8000。
• qdrant：向量存储服务，使用官方 qdrant/qdrant 镜像并持久化到 qdrant_data 卷。

使用方式：

1. 准备 .env，包含原本运行机器人所需的 Slack、LiteLLM 变量。docker compose 会自动加载该文件。
2. （可选）如需为 Qdrant 设置 API Key，可在 .env 中加入 QDRANT_API_KEY=<your-key>，Compose 会自动透传给 Qdrant 容器。
3. 启动全部服务：

   docker compose up --build

   首次启动会在 bot 容器内执行 uv run python manage.py migrate 并拉起开发服务器。
4. 访问接口：
   • Slack bot API: http://localhost:8000/

若需要停止服务，执行 docker compose down；若希望清理向量存储数据，可同时加上 -v 删除 qdrant_data 卷。

项目包含一个基于 Model Context Protocol（MCP）的文档搜索服务，方便在本地用 LLM 工具调用已索引的 Slack 上传文档：

1. 确保已经通过 docker compose up 启动了 Qdrant，并配置好 OpenAI 相关环境变量（OPENAI_API_KEY、OPENAI_MODEL、OPENAI_EMBEDDING_MODEL 等）。
2. 运行 MCP 服务器：

   python scripts/mcp_document_search_server.py

3. 在支持 MCP 的客户端中调用 search 工具，输入关键词即可返回最多 5 条匹配的文档片段（包含文本、元数据与相似度）。

LiteLLM 需要配置对应模型供应商的 API Key，例如 OPENAI_API_KEY，配置方式详见 LiteLLM 文档.

项目内置了基于 LlamaIndex 的文档索引能力，用于处理用户在 Slack 中上传的文件，并在后续对话问答中利用这些文档作为上下文。

• 依赖与环境变量

  • 依赖已在 requirements.txt 中包含：llama-index>=0.10.0。
  • 需要的 OpenAI 相关配置：
    • OPENAI_API_KEY
    • OPENAI_MODEL（例如 gpt-4o-mini）
    • OPENAI_EMBEDDING_MODEL（例如 text-embedding-3-small）
    • OPENAI_BASE_URL（可选，用于通过代理 / 自建网关访问 OpenAI 接口）

• 文件下载与索引流程

  • 当用户在 Slack 中上传文件并通过 app_mention @ 机器人时：
    1. SlackEventView 会调用 _log_and_download_slack_files，将附件下载到统一的 downloads/ 目录，并记录本地路径。
    2. 下载成功后，先向用户回复一条固定消息：

       已成功下载你发的文件，我正在阅读中，稍后再帮你分析。

    3. 随后调用 slackbot/services/document_indexer.py 中的 index_slack_files_and_summarize：
       • 使用 LlamaIndex 读取本地文件，按「一个文件一个 Document」方式构建索引，并将索引存储在 Qdrant 中。
       • 为所有已上传的文件维护一个全局向量索引；
       • 生成简短的中文摘要，并以第二条消息的形式发回同一个 Slack 线程。

• 索引的持久化存储

  • 所有文档向量索引会写入 Qdrant 中（默认集合名 lumo_slack_documents，可通过 QDRANT_COLLECTION 环境变量覆盖）。

• 在问答中使用文档上下文

  • 当用户在 Slack 中继续向机器人提问时，SlackEventView._answer_question 会：
    1. 先拉取最近 24 小时的频道消息，构造原有的 Slack 对话上下文；
    2. 调用 query_slack_file_context，从全局 LlamaIndex 索引中检索与当前问题最相关的文档片段；
    3. 将检索到的文档片段与 Slack 消息上下文合并，一并发送给底层 LLM（通过 LiteLLM 调用），从而实现「结合上传文档内容进行回答」。

后续如果需要按 channel / thread 进一步拆分索引或优化查询策略，可以基于 Document 中的 channel、thread_ts 等元数据做更细粒度的扩展。

POST /api/summaries/channel/
Content-Type: application/json

{
  "channel_id": "C123",
  "date": "2024-05-01",
  "max_messages": 100
}

POST /api/summaries/thread/
Content-Type: application/json

{
  "channel_id": "C123",
  "thread_ts": "1714567890.123456"
}

1. 在 api.slack.com 创建一个 App。
2. 打开 Event Subscriptions，回调 URL 指向 /api/slack/events/。
3. 订阅 app_mention、message.channels 等事件。
4. 将 Slash 命令或快捷方式指向 channel/thread summarization 接口以便手动触发。

python manage.py test

Lumo
├── manage.py
├── application/        # Django 项目配置
├── slackbot/       # 业务逻辑 (API、服务、模型)
└── requirements.txt

• slackbot/services/slack_client.py：封装 Slack API 访问。
• slackbot/services/summarizer.py：调用 LiteLLM 生成总结。
• slackbot/views.py：DRF API 视图，处理事件及总结请求。

欢迎根据业务需求扩展消息持久化、身份认证以及定时调度任务。