基于大语言模型(Claude/GPT)的自动化编排引擎，通过MCP(Model Context Protocol)协议让AI Agent直接操作文件系统、浏览器、数据库等外部工具，实现复杂工作流的端到端自动化。项目背景是企业和个人开发者面临大量重复性开发任务（代码生成、测试、部署、文档、数据处理等），传统脚本自动化缺乏理解能力，而纯LLM对话缺乏执行能力。本系统将LLM的理解推理能力与MCP工具调用能力结合，构建了一个能自主规划、执行和验证的AI Agent框架。已在实际项目中稳定运行数月，日均处理50+自动化任务。
1、多模型智能调度：Claude Opus/Sonnet/Haiku + GPT按任务复杂度自动路由，简单任务用小模型（Haiku）省成本，复杂任务用大模型（Opus）深度推理，单日可节省50%以上API费用。
2、MCP工具集成：7个MCP Server并行运行——文件系统（读写/搜索/目录树）、Playwright浏览器（导航/点击/截图/表单）、DuckDB数据库（SQL查询/建表）、知识图谱（实体/关系/记忆）、Context7文档查询、CE逆向工具、写字机控制。Agent可自主选择和组合工具完成任务。
3、DAG任务编排：将复杂任务自动分解为有向无环图(DAG)，识别可并行的子任务批次，使用asyncio.gather并发执行独立步骤，大幅提升吞吐量。支持条件分支和错误重试。
4、上下文管理：自动compact机制防止长任务context溢出导致降智，持久化记忆系统跨会话保留关键信息（用户偏好、项目状态、历史决策）。
5、安全沙箱：工具调用权限分级（只读/写入/危险操作），敏感操作需人工确认，防止AI误操作造成数据丢失。
6、Prompt工程：结构化模板（Goal/Context/Constraints/Done-when），确保AI输出稳定可控，废单率从25%降至5%。
独立设计并实现全部架构。核心技术栈：Python（AsyncIO异步框架+FastAPI）、Claude API + GPT API（多模型调用）、MCP协议（工具集成标准）、DuckDB（轻量级分析数据库）、Playwright（浏览器自动化）。
核心创新点是'双层调度'架构——外层Python编排器负责任务拆分、依赖分析和并行度控制，内层LLM负责具体步骤的理解和实现。这种分离让系统既有LLM的灵活理解能力，又有确定性编排的可靠性。
最大技术挑战是上下文管理——长任务运行数小时后context接近上限，需要在不丢失关键信息的前提下自动压缩。实现了基于优先级的compact策略：保留所有文件路径、架构决策和未完成TODO，丢弃已解决的讨论过程和重复工具输出。
系统已稳定运行数月，接入7个MCP Server，日均处理50+自动化任务，覆盖代码开发、数据采集、文档生成、逆向分析等多种场景。
评论