MCP 多智能体运营自动化平台产品系统Vibe Coding

某精密制造企业，日常运营需要在 CRM、ERP、库存、物流等 6 套系统之间频繁切换。像「把 A 仓 100 件货调拨到 B 仓并同步财务」这样一个操作，要在四个系统里分别操作一遍，平均要花 5 分钟，跨系统数据容易出错，而且操作日志散落在各系统里，无法审计追溯。

随着业务量增长，人工操作的时间成本和错误率都在上升。企业希望让 AI 承担这类跨系统的重复操作，同时保留完整的操作审计能力——出了差错要能查清是谁、在哪一步、做了什么。

系统基于 MCP（Model Context Protocol）协议规范构建，共四个核心模块：

一、MCP 协议网关
把订单管理、库存调拨、物流追踪、财务对账等 20+ 业务接口封装为标准化 MCP Tools，统一每个工具的输入/输出 Schema。使上层 Agent 与下层异构系统彻底解耦——新增一套业务系统只需实现一个 MCP 适配器，不需要改动任何 Agent 逻辑。

二、Supervisor 智能任务编排
接收自然语言指令（例如「将 A 仓 100 件货调拨至 B 仓并同步财务」），自动分解为 查询库存 → 创建调拨单 → 物流预约 → 财务记账 的调用序列，并实现无依赖工具并行调用、有依赖工具串行执行的混合编排。

三、全链路操作审计与补偿回滚
记录每一次工具调用的完整链路日志；针对关键操作（如库存扣减）设计补偿型回滚机制——调用失败时自动触发逆向补偿操作，保障跨系统数据的最终一致性。

四、可观测性大盘
监控工具调用的 QPS、成功率、延迟分布（P99），并配置 Grafana 告警实现邮件/钉钉通知。

我负责这个平台的整体架构设计与核心模块开发，主要做了三块：

1. MCP 协议网关设计
把 20+ 个分散的业务接口抽象成标准化工具。关键是 Schema 设计——要让不同系统返回的数据格式对上层是一致可用的。做完之后，新增系统的接入成本从「改 Agent 逻辑」降到了「写一个适配器」。

2. Supervisor 任务编排
核心是把自然语言指令准确分解成可执行的调用序列，并判断哪些步骤能并行。难点在于依赖关系识别和失败处理。

3. 补偿型回滚机制
跨系统操作最难的是「做了一半失败」——比如调拨单已创建但库存扣减失败，数据就脏了。我设计了一套补偿逻辑，关键步骤失败时自动执行逆向操作。

技术栈：LangGraph / LangChain / FastAPI / MCP 协议规范 / Redis / PostgreSQL / Docker / Prometheus / Grafana / LangFuse

踩过的三个坑：
· 工具 Schema 不统一——早期每个工具自己定义返回格式，Agent 处理时要写大量分支判断。后来强制统一 Schema 才解决。
· 并行调用要考虑幂等——无依赖的工具并行执行时，如果操作不是幂等的，重试会造成重复扣减。后来对写操作强制加幂等键。
· 审计日志把存储打爆——全链路记录初期数据量太大。后来改成分级：关键操作全量记录，查询类只记摘要。