掌柜问数 - 企业级 Text-to-SQL 智能分析平台 产品系统Vibe Coding

核心技术栈： Python, FastAPI, LangChain, OpenAI Agents (Swarm), MCP, Qdrant, ChromaDB, MySQL, SSE
1. 项目背景与架构设计
针对传统 IT 客服系统存在的“路由分发混乱”及大模型“知识幻觉”痛点，设计并主导开发基于“中枢+记忆”双引擎的 ITS 多智能体集群系统。该系统采用分层微服务架构，将业务逻辑解耦为“智能客服后端”与“知识库平台后端”，通过 API 网关进行统一调度。

1. 项目背景与架构设计
针对传统 IT 客服系统存在的“路由分发混乱”及大模型“知识幻觉”痛点，设计并主导开发基于“中枢+记忆”双引擎的 ITS 多智能体集群系统。该系统采用分层微服务架构，将业务逻辑解耦为“智能客服后端”与“知识库平台后端”，通过 API 网关进行统一调度。
多智能体编排（Multi-Agent Orchestration）： 引入 openai-agents 框架，设计了基于 Swarm 模式的协作机制。构建了“协调 Agent”作为总控大脑，根据用户意图动态调度下游的“全能业务 Agent”（负责通用问答）和“技术 Agent”（负责故障诊断），实现了从单一问答到复杂任务执行的跨越。
前后端分离与异步通信： 前端采用 Vue/React 构建，后端基于 FastAPI + Uvicorn 高性能异步框架。利用 SSE (Server-Sent Events) 技术实现流式响应，确保在长链路推理过程中，用户能获得毫秒级的首字反馈体验。
2. 企业级 RAG 流水线构建
作为系统的核心记忆模块，独立设计并开发了知识库平台，解决了非结构化数据利用率低的问题：
智能化数据处理链路： 开发爬虫对接知识库 API，利用 BeautifulSoup 和 unstructured 库实现 HTML/PDF 到 Markdown 的高效清洗；引入 LLM 驱动的知识处理链路，对文档进行语义级智能切分与摘要提取，有效避免了传统固定字符切分导致的语义碎片化问题。
混合检索策略优化： 设计了“向量+关键词”的双路召回机制。第一路利用 Embedding 模型在 Qdrant（生产环境）与 ChromaDB（开发环境）中进行高维语义检索；第二路结合 Jieba 分词进行标题与实体的精确匹配。通过自定义算法对两路结果进行合并、去重及重排序，确保 Top-N 文档的相关性。
工

1. 项目背景与架构设计
针对传统 IT 客服系统存在的“路由分发混乱”及大模型“知识幻觉”痛点，设计并主导开发基于“中枢+记忆”双引擎的 ITS 多智能体集群系统。该系统采用分层微服务架构，将业务逻辑解耦为“智能客服后端”与“知识库平台后端”，通过 API 网关进行统一调度。
多智能体编排（Multi-Agent Orchestration）： 引入 openai-agents 框架，设计了基于 Swarm 模式的协作机制。构建了“协调 Agent”作为总控大脑，根据用户意图动态调度下游的“全能业务 Agent”（负责通用问答）和“技术 Agent”（负责故障诊断），实现了从单一问答到复杂任务执行的跨越。
前后端分离与异步通信： 前端采用 Vue/React 构建，后端基于 FastAPI + Uvicorn 高性能异步框架。利用 SSE (Server-Sent Events) 技术实现流式响应，确保在长链路推理过程中，用户能获得毫秒级的首字反馈体验。
2. 企业级 RAG 流水线构建
作为系统的核心记忆模块，独立设计并开发了知识库平台，解决了非结构化数据利用率低的问题：
智能化数据处理链路： 开发爬虫对接知识库 API，利用 BeautifulSoup 和 unstructured 库实现 HTML/PDF 到 Markdown 的高效清洗；引入 LLM 驱动的知识处理链路，对文档进行语义级智能切分与摘要提取，有效避免了传统固定字符切分导致的语义碎片化问题。
混合检索策略优化： 设计了“向量+关键词”的双路召回机制。第一路利用 Embedding 模型在 Qdrant（生产环境）与 ChromaDB（开发环境）中进行高维语义检索；第二路结合 Jieba 分词进行标题与实体的精确匹配。通过自定义算法对两路结果进行合并、去重及重排序，确保 Top-N 文档的相关性。
工