企业知识库Demo搭建-5月6日

豆沙包只有豆
14 阅读5分钟

从“低代码”到“真智能”：知识库智能体开发日志--5月6日

📅 时间：2026年5月6日

最近在搭建了一个知识库智能体，过程可谓是“一波三折”。从最初觉得这是一个庞大复杂的工程，到后来试图用低代码平台“偷懒”，最后发现只有回归代码和图（Graph）的逻辑，才能造出一个真正会思考的“大脑”。

今天想和大家分享一下这个项目的心路历程，以及我如何从 Dify 到 LangGraph  来搭建这个企业级智能助手的经验。

🚧 0. 从0到1

记得最开始接到任务时，当时想的是从0-1的核心功能都由我来选择的搭建：前端、后端、数据库、向量数据库……我甚至画了一张复杂的架构图，觉得从这个项目还是很复杂的。

经过了解，同时为了减少重复造轮子，我选择了 Dify。刚开始用的时候感觉很不错，工作流式的节点编排非常自由，自带的RAG（检索增强生成）功能也省去了很多麻烦。设计了三条分支：总结类、仿写类、数据统计类，还写了密密麻麻的提示词（Prompt）。

💡 初期架构图

图1：Dify工作流初代架构
c4a962e37a5c43741bdba58e976bd2c8.png

但是越做感觉维护和扩展就越困难。当演示时候，问题暴露无遗：

  1. 太死板：问题必须包含特定关键词（如“考勤数据”）才能走对路径，稍微模糊一点就报错。
  2. 太冗余：分支越多，提示词越长，系统反而变得低效。
  3. 不智能：它只是在机械地执行我预设的路径，一旦中间某个节点出错，整个流程就断了。

我发现：我在Dify里设计的不是智能体，而是一个精密的“自动售货机”。我代替它思考了所有问题，它只是在执行我的逻辑。

🧠1. 什么是真正的智能体？

和做AI的朋友深聊后，我有了新的理解。Dify本质上是低代码平台，适合做固定任务。但真正的智能体（Agent），应该拥有 “思考” 的能力。

什么是真正的智能？

  • 会规划：遇到问题，自己想解决路径，而不是我指定路径。
  • 会验证：如果第一步走错了，能感知到并回头重试。
  • 会纠错：面对报错，能调整策略，而不是直接死机。

我意识到，我需要一个能循环思考的框架。传统的单向流程（DAG）限制了它，我需要的是图（Graph） 。于是，我转向了 LangGraph。

为什么放弃LangChain，选择LangGraph？
LangChain虽然强大，但其核心往往是单向流动的。而LangGraph允许循环和状态持久化，这正是Agent进行多轮“思考-行动-观察”闭环的关键。 agent_flowchart.png

🛠️ 2. 基于 LangGraph 的 ReAct 模式

我重新设计了架构。不再对问题进行死板分类，而是将能力封装成工具（Tools） ，让Agent自己去选择怎么用。

🏗️ 核心架构

我构建了一个基于 LangGraph ReAct 模式的企业知识库智能助手。它的核心逻辑很简单：大模型（千问 qwen-plus） + 记忆 + 工具。

🛠️ 我给它准备了三个“工具箱”：

  1. rag_search：对接 Dify 知识库 API，负责文档检索（回答合同条款、规章制度）。
  2. list_files：扫描本地目录，负责告诉Agent“我有哪些数据文件”。
  3. execute_data_query：对接代码沙箱，负责生成Python代码并执行（计算工资、统计考勤）。

💡 ReAct 推理流程（建议贴图2）

图2：LangGraph ReAct 推理流程图
agent_flowchart.png

📊 项目结构一览

这是目前的项目结构，非常清晰：

HNGD-backend/
├── agent.py           # 核心：LLM + 3个工具 + ReAct Agent
├── code_executor.py   # 代码执行沙箱服务（FastAPI）
├── main.py            # 命令行交互入口
├── .env               # 环境变量配置
├── requirements.txt   # Python 依赖

🚀 3. 它是如何自己思考的？

以前在Dify里，我必须告诉它“先查文件，再算数”。现在，我只需要告诉它任务，它自己会规划步骤。

场景：  问它“1月研发中心的平均工资是多少？”

它的思考过程（Log）是这样的：

  1. 第一轮思考：这个问题需要统计数据，但我还不知道文件在哪。行动：调用 list_files。
  2. 观察：哦，找到了 salary_january.xlsx。
  3. 第二轮思考：现在我知道文件了，需要写代码计算平均工资。行动：调用 execute_data_query，生成Pandas代码。
  4. 观察：代码执行成功，返回了结果 15000元。
  5. 第三轮思考：拿到了最终答案，组织语言回复用户。

✨ 活过来了  它不再是一个死板的流程，而是一个会根据环境反馈调整策略的智能体。

🖼️ 运行界面（建议贴图3）

图3：智能体命令行交互界面
image.png

📝 4. 总结与心得

回顾这2周的折腾，我有几点体会：

  1. 不要过早优化（No Low-Code） ：虽然低代码平台（如Dify）上手快，但对于复杂逻辑和需要“自我纠错”的场景，代码级的控制力是无可替代的。
  2. Agent的核心是“图” ：只有支持循环和状态流转的架构（LangGraph），才能实现真正的多步推理。
  3. 工具是能力的延伸：把复杂的业务逻辑封装成简单的工具（Tool），让LLM专注于“思考”怎么组合这些工具，这才是开发的正道。

目前这个项目已经能很好地处理文档问答和数据统计了

代码已整理，欢迎交流！

avatar
文章
阅读
粉丝