AI Research Agent Platform 开源项目Vibe Coding

客服业务线系统FAQ、常见运维问题、系统 SOP 分散在 Confluence / 知识库 / Excel 三处，一线客服单次查信息平均 30s+，导致新人培训周期长，IT运维成本高。团队立项结合大模型做运维助手，一线客服提问后直接返回带引用的标准答案，缩短查信息耗时、降低IT运维成本。

一套端到端多 Agent 智能研究系统，将研究规划、联网检索、私有知识库召回、内容分析、报告撰写、审稿修订和引用校验整合为自动化工作流，实现从研究课题输入到可追溯报告交付的完整闭环。

多 Agent 协同编排：基于 LangGraph 构建 Planner、Research、RAG、Analyzer、Writer、Critic、Editor、Citation 共 8 个执行节点，通过统一状态管理和条件路由实现任务流转，并支持 Critic 驱动的自动审稿与循环修订。
双路知识检索：融合 Web Search 与私有知识库 RAG，支持 PDF、TXT、Markdown、DOCX 文档解析；原文件存储于 MinIO，文本切片及 1024 维向量存储于 PostgreSQL/pgvector，通过余弦相似度完成语义召回。
全链路可观测性：使用 FastAPI、SQLAlchemy 和 Alembic 构建项目、任务、文档、报告及引用管理接口，通过 SSE 展示执行进度，并持久化 Agent 输入输出、运行耗时、Token 用量、错误信息和工具调用记录。
报告可信度建设：设计 Citation Agent 对互联网来源和私有文档引用进行校验，将报告结论关联至原始 URL 或文档切片，实现来源展示、引用追溯、报告版本管理及 Markdown/PDF 导出。
全栈产品化落地：使用 Next.js 实现项目管理、知识库上传、任务创建、实时执行进度、报告详情和 Agent Trace 页面，打通从资料上传到报告下载的完整可视化操作流程。
工程化交付：通过 Docker Compose 编排前端、后端、PostgreSQL、Redis、MinIO 服务，使用 GitHub Actions 完成代码检查、单元测试、集成测试、前端构建和 Docker 镜像构建。

多模态结构化解析：针对业务系统截图、报错界面等非结构化数据，实现端到端解析流程。采用 Base64 图片直传模式，规避公网访问依赖；自动抽取业务关键实体并输出 JSON，图片信息识别准确率达 90%+；通过LCEL构建流式工作流，实现解析与RAG流程的无缝对接。
两阶段意图识别Pipeline：第一阶段LLM强制输出结构化JSON(intent/slots/confidence)，第二阶段按意图类型路由至下游专用子链，支持trace_id全链路追踪溯源
RAG多源数据处理：针对Excel结构化数据做清洗、标准化与JSON格式化；针对Markdown文本做净化、去重与自适应智能切分，提升知识库质量
RAG检索调优：采用Query 改写，Hybrid Search混合检索，RRF融合排序，结合MMR多样性检索+ Rerank，段落覆盖率从40%提升至90%+，Top-1命中率从45%提升至 78%
防幻觉机制：在System Prompt 层面实施3层RAG幻觉抑制策略(prompt 约束+ temperature=0+引用溯源)文档中无相关信息时明确告知用户，幻觉回答率从30%降至5%以下
可控记忆策略：设计 SummaryBuffer+关键事实提取的混合记忆策略，保留最近N轮对话保证追问精度同时通过摘要压缩历史，实现了多轮对话Token消耗降低约65%，关键事实召回率95%+