Agent从0到1落地实施：「小智伴」系统技术架构落地（二）
在上一篇文章中，我们聊到了“小智伴”产品的整体需求框架，主要由三大核心模块组成：智能AI面试****管理、知识库管理以及答案智能分析。
那么本篇将从技术视角出发，从0到1，梳理“小智伴”智能助手在技术选型和系统实现上的思路，带你一步步拆解这套AI系统的底层逻辑，掌握搭建一套agent产品的具体技术方案。
作为一名有着十年经验的后端开发者，我深刻体会到这样一个现象：当我们拿到需求时，很多程序员往往第一反应就是立刻开干，埋头写代码，而不是先去思考需求的完整性、可行性与有效性。这其实是一个非常危险的信号。
在真正的工程实践中，代码只是****结果，思考才是起点。我们必须具备一定的产品思维，从业务、用户、技术多角度去审视需求，才能避免“做完才发现方向错了”的情况。
其次，在动手之前，一定要先画出数据流向图。这一步能帮助我们更清晰地理解系统边界、数据交互关系和依赖路径，从而判断哪些技术方案最合适，怎样的设计能确保开发过程高效、可控、按时推进。
《产品思维》
系****统数据流向图
技术选型
1
前端：vue3
2
后端：Python、FastAPI、LangChain、RAGFlow、LangGraph
3
其他：DeepSeek-v3模型、Mysql数据库、Es语义检索、Redis缓存、Embding向量化
4
工具：DrowIO画图
核心技术栈的职责
下面，我们来逐一拆解每个技术组件在架构中的角色。
**1. 前端：**Vue3 - 打造轻盈交互的界面
职责：负责用户与「小智伴」的所有交互。包括聊天界面、文件上传、设置管理等。
**2. 后端：**FastAPI - 构建高性能的API枢纽
职责：作为系统的网关，处理所有HTTP请求、用户认证、以及前后端数据格式的转换。
3. Agent核心：LangGraph - 智能决策的大脑
职责：这是「小智伴」的决策中枢。它负责理解用户输入，决定下一步该调用哪个工具，并整合工具返回的结果，最终生成给用户的回复。
4. 模型服务：DeepSeek-V3 - 核心的认知引擎
职责：作为底层的基础模型，为整个Agent提供语言理解、逻辑推理和内容生成能力。
5. 数据与知识层：RAGFlow + ES + MySQL - 赋予Agent记忆与知识，这是架构中最关键的数据处理部分，我们将其分为三个子系统：
MySQL
职责：存储结构化数据。如用户账户、聊天会话记录、工具调用日志等。
选型理由：关系型数据库，保证事务一致性，是业务数据的基石。
RAGFlow + Elasticsearch
职责：构建知识库与记忆系统。
工作流：
**价值：**这实现了我们需求中的“文档解析与问答”能力，让「小智伴」真正“读懂”你的资料。
知识注入：用户上传的PDF/Word文档，通过 RAGFlow 进行深度解析、切分、向量化。RAGFlow的强大之处在于能精准解析复杂格式的文档。
**知识存储：**向量化后的结果存入 Elasticsearch 的向量索引中。
**知识召回：**当用户提问时，Agent通过ES进行语义检索，找到最相关的文档片段作为上下文，再交给DeepSeek模型生成精准答案。
**6. 工具层：**网络检索 - 赋予Agent实时信息触手
职责：封装网络搜索API（如Serper、Google Search API），作为LangGraph的一个工具。
工作流：当用户询问“今天北京的天气”或“最新新闻”时，Agent会调用此工具获取实时信息，再整合进回复中。
技术拓展
在这里，我们使用了 Ragflow、LangGraph、向量化技术以及提示词。对于这些尚不熟悉的内容，我将在后续专门针对各个框架进行详细讲解。
Agent核心代码实现
01
后端接口入口，基于fastapi服务启动
from fastapi import FastAPI
from fastapi.middleware.cors import CORSMiddleware
from fastapi.responses import JSONResponse
import os
from app.core.config import settings
from app.api.v1.api import api_router
from app.core.database import init_db
app = FastAPI(
title="小智伴 API",
description="个人智能助手系统 - 智能辅助面试、错题集收集、语音灵感检索、时间规划",
version="1.0.0",
openapi_url=f"{settings.API_V1_STR}/openapi.json"
)
# 设置CORS
app.add_middleware(
CORSMiddleware,
allow_origins=settings.BACKEND_CORS_ORIGINS,
allow_credentials=True,
allow_methods=["*"],
allow_headers=["*"],
)
# 暂时注释复杂的API路由
app.include_router(api_router, prefix=settings.API_V1_STR)
@app.get("/")
asyncdefroot():
"""根路径健康检查"""
return JSONResponse(content={
"message": "小智伴 API 服务正在运行",
"status": "healthy",
"version": "1.0.0"
})
if __name__ == "__main__":
import uvicorn
uvicorn.run(
"main:app",
host="0.0.0.0",
port=8000,
reload=True,
log_level="info"
)
02
核心请求生成试题的代码
from fastapi import APIRouter
from app.api.v1.endpoints import (
interview,
interview_management,
knowledge_base,
knowledge_base_simple,
error_book,
voice_inspiration,
time_planning,
auth,
exam_generator,
user_profile,
resume,
langgraph_exam
)
api_router = APIRouter()
# 用户认证相关路由
api_router.include_router(auth.router, prefix="/auth", tags=["认证"])
api_router.include_router(user_profile.router, prefix="/user", tags=["用户个人中心"])
# 智能辅助面试模块
api_router.include_router(interview.router, prefix="/interview", tags=["智能辅助面试"])
api_router.include_router(interview_management.router, prefix="/interview", tags=["面试管理"])
api_router.include_router(exam_generator.router, prefix="/interview", tags=["试题生成"])
api_router.include_router(langgraph_exam.router, prefix="/interview", tags=["LangGraph试题生成"])
03
LangGraph的试题生成代码
from fastapi.routing import APIRouter
from typing import List
from fastapi import APIRouter, Depends, HTTPException
from sqlalchemy.ext.asyncio import AsyncSession
from app.core.database import get_db
from app.schemas.exam import (
ExamGenerationRequest,
ExamGenerationResponse,
GeneratedQuestion
)
from app.services.langgraph_service import langgraph_exam_service
from app.services.exam_service import ExamGenerationService
router: APIRouter = APIRouter()
@router.post("/generate-exam-langgraph", response_model=ExamGenerationResponse)
asyncdefgenerate_exam_questions_with_langgraph(
request: ExamGenerationRequest,
db: AsyncSession = Depends(get_db)
):
"""
使用LangGraph工作流生成考试试题并保存到数据库
Args:
request: 试题生成请求参数
db: 数据库会话
Returns:
生成的试题列表
"""
try:
questions = await langgraph_exam_service.generate_questions_with_workflow(request, db)
# 保存试题到数据库
exam_service = ExamGenerationService(db)
await exam_service.save_questions_to_database(questions, request.user_id)
return ExamGenerationResponse(
success=True,
questions=questions,
message="试题生成并保存成功",
total_count=len(questions)
)
except Exception as e:
raise HTTPException(
status_code=500,
detail=f"试题生成失败: {str(e)}"
)
04
工具类的部分代码
classGraphState(TypedDict):
"""图状态定义"""
request: ExamGenerationRequest
questions: List[GeneratedQuestion]
current_question_index: int
knowledge_content: Dict[str, Any]
internet_results: List[str]
semantic_analysis: Dict[str, Any]
evaluation_results: List[Dict[str, Any]]
iteration_count: int
max_iterations: int
final_questions: List[GeneratedQuestion]
classLangGraphExamService:
"""基于LangGraph的试题生成服务"""
def__init__(self, db: Optional[AsyncSession] = None):
self.search_service = SearchService()
# 创建一个临时的exam_service实例，db参数会在实际使用时传入
self.exam_service = ExamGenerationService(db) if db elseNone
asyncdefgenerate_questions_with_workflow(
self,
request: ExamGenerationRequest,
db: Any # 数据库会话
) -> List[GeneratedQuestion]:
"""
使用LangGraph工作流生成试题
Args:
request: 试题生成请求
db: 数据库会话
Returns:
生成的试题列表
"""
try:
# 初始化exam_service实例
self.exam_service = ExamGenerationService(db)
# 初始化LangGraph工作流
workflow = self._create_workflow()
app = workflow.compile(checkpointer=MemorySaver())
# 初始化状态
initial_state: GraphState = {
"request": request,
"questions": [],
"current_question_index": 0,
"knowledge_content": {},
"internet_results": [],
"semantic_analysis": {},
"evaluation_results": [],
"iteration_count": 0,
"max_iterations": 3, # 最大迭代次数
"final_questions": []
}
# 执行工作流，添加配置参数
config = {"configurable": {"thread_id": "exam_generation_thread"}}
final_state = await app.ainvoke(initial_state, config=config)
return final_state["final_questions"]
except Exception as e:
logger.error(f"LangGraph试题生成失败: {str(e)}")
raise
def_create_workflow(self) -> StateGraph:
"""创建工作流"""
workflow = StateGraph(GraphState)
# 添加节点
workflow.add_node("retrieve_knowledge", self._retrieve_knowledge_node)
workflow.add_node("search_internet", self._search_internet_node)
workflow.add_node("semantic_analysis", self._semantic_analysis_node)
workflow.add_node("generate_question", self._generate_question_node)
workflow.add_node("evaluate_question", self._evaluate_question_node)
workflow.add_node("optimize_question", self._optimize_question_node)
workflow.add_node("finalize_questions", self._finalize_questions_node)
# 添加边
workflow.add_edge("retrieve_knowledge", "search_internet")
workflow.add_edge("search_internet", "semantic_analysis")
workflow.add_edge("semantic_analysis", "generate_question")
workflow.add_edge("generate_question", "evaluate_question")
workflow.add_conditional_edges(
"evaluate_question",
self._route_evaluation_result,
{
"optimize": "optimize_question",
"next": "generate_question",
"finalize": "finalize_questions"
}
)
workflow.add_edge("optimize_question", "evaluate_question")
workflow.add_edge("finalize_questions", END)
# 设置入口点
workflow.set_entry_point("retrieve_knowledge")
return workflow
由于代码量过大，不好粘贴，后期如果可能得话，我会放到github上面，供大家参考。
知识点解读
关于LangChain和LangGraph
在搭建 AI Agent 时，很多团队会面临一个问题：到底选择 LangChain 还是 LangGraph？实际上，这取决于你的业务场景、Agent 的复杂度以及工作流需求。
LangChain：
特点：以 LLM 为核心，强调链式调用（Chain），擅长将多个工具或模型按顺序组合，实现多步推理。
适用场景：
任务流程较为线性或固定。
主要依赖提示词 + 工具调用。
快速构建原型或单一任务 Agent。
扩展性：
支持 React（Reasoning + Acting + Tool Use）模式，适合需要模型在推理过程中动态选择工具的场景。
LangGraph：
**特点：**以图为核心，强调状态管理和条件流控制（StateGraph），擅长处理复杂的多分支任务流程。
适用场景：
任务流程复杂，存在多个分支或条件依赖。
需要明确规划执行顺序（Plan-Execute）。
Agent 状态需要持续管理或可视化。
扩展性：
内置 Plan-Execute 模式，适合需要先制定计划再逐步执行的场景。
可与 React 模式结合，实现动态决策与条件流的统一管理。
选型建议
如果你的 Agent 任务流程简单，且核心是快速响应与工具调用，LangChain + React 是首选。
如果你的 Agent 任务流程复杂，需要分支判断、状态管理或计划执行，LangGraph + Plan-Execute 更合适。
对于复杂业务，也可以组合使用：用 LangGraph 管理整体状态与流程，用 LangChain 处理具体的链式任务调用。
未来我还会引入多Agent技术调用框架：AutoGent、Camel、XAgent等技术，敬请等待
