多智能体学习工作台产品系统Vibe Coding

自学 AI 应用开发的人普遍缺一个"能接住问题"的地方：学习路线靠自己零散拼凑，写出来的代码没人审，报错截图看不懂，需求描述不清导致反复返工，这些事分散在论坛、群聊和搜索框里，没有统一入口。通用大模型能答单点问题，但答完就结束——不记你的历史提问、不看你上传的报错截图、也不会先澄清需求再动手，用户每次都得重新交代一遍背景。本项目立项就是把这四件事收敛进一个工作台：由总控 Agent 先判断用户到底想干什么，再调度学习路线规划、代码审查、联网搜索、图片理解、需求澄清五个子 Agent 分工完成，并通过日志、记忆持久化、反思评估三层中间件保证回答质量可控可追溯，让"问一次就拿到可用结果"成为默认体验。实测子 Agent 反思评估平均得分 24.5/25，回答质量通过率 100%。
场景集中在个人自学与中小团队的研发辅助：一是学生和转行者自学 AI、编程时做路线规划与答疑；二是开发者提交代码前先过一遍 AI 审查；三是遇到报错直接上传截图，由多模态能力识别问题；四是需求模糊时先和 Agent 完成澄清，再进入执行。业务背景上，大模型应用正从单轮问答走向"多 Agent 编排 + 工具调用 + 长期记忆"：单 Agent 处理复杂任务容易上下文过载、职责边界不清，多智能体按领域拆分、由总控调度已成为主流工程范式；MCP 协议让外部工具接入标准化（Tavily 负责联网检索、Playwright 负责网页抓取）；短期记忆按会话隔离存 SQLite，长期记忆由大模型提炼成结构化画像跨会话共享，使系统在多轮使用后逐步积累对同一用户的了解。技术栈为 Python + FastAPI + LangGraph + LangChain + Qwen-VL + SQLite + Redis + SSE，前后端可独立部署，项目已在 GitHub 开源。

核心功能

学习路线规划：给定目标岗位或技能方向后，生成分阶段的学习路径，说明每一阶段该学什么、产出什么成果；涉及最新资料时自动联网检索后汇总。
代码审查：提交代码后由子 Agent 从可读性、异常处理、性能与安全等角度逐条给出修改建议。
联网搜索：通过 MCP 协议接入 Tavily 检索与 Playwright 网页抓取，把实时资料纳入回答，避免只依赖模型自身记忆。
图片理解：封装通义千问 Qwen-VL 视觉模型，支持本地图片、base64、URL 三种输入方式，可以直接上传报错截图，让系统识别问题并给出排查方向。
需求澄清：借助 LangGraph 的 interrupt 机制，在信息不足时暂停执行并向用户追问，支持"确认、修改、补充"三种交互，避免答非所问。
系统能力

回答质量可控：日志记录、记忆持久化、反思评估三层中间件挂在 Agent 前后钩子上，评估按准确性、完整性、相关性、安全性、效率五个维度打分，不达标自动打回重跑，最多三次。
记得住上下文：短期记忆按会话隔离存放在 SQLite，长期记忆由大模型提炼成结构化画像跨会话共享，多轮对话不必反复交代背景。
过程实时可见：后端基于 FastAPI 与 SSE 流式推送，思考过程、工具调用、回答文本分事件逐步输出，不用等整段生成完才能看到。

一、"我"负责的具体任务

本项目为个人独立项目，我担任后端开发，除前端界面在 AI 辅助下完成外，其余全部由我独立实现：

多 Agent 编排层：实现总控 Agent（Supervisor，采用 Plan-and-Execute 模式），负责意图理解、生成执行计划、按串行与并行混合的方式调度各专职 Agent，并汇总最终结果。
领域模块开发：完成学习路径规划、代码审查、多模态识别、联网搜索、需求澄清五个模块，以及位于总控之前的输入重写器（负责多轮对话中的短句补全与指代消解）。
中间件机制：按洋葱模型设计并实现四个钩子点（before_agent / before_llm / after_llm / after_agent），把日志、反思评估、记忆写入从业务代码里剥离，做成可插拔、可复用的组件，Agent 本身只关心业务。
反思评估闭环：基于 LLM-as-a-Judge 对回答做五维打分（准确性、完整性、清晰度、有用性、安全性），任一维度低于 3 分或总分低于 20 分即打回重跑，并把评审意见回传给 Agent 做针对性改进，最多重跑三次。
记忆层：用 langgraph-checkpoint-sqlite 存执行状态快照，自研 store 存长期记忆，并按用途分库——checkpoints（执行状态）、messages（原始对话）、memory（长期记忆）、conversations（会话元数据），避免单库膨胀。
工具接入与接口层：通过 MCP 协议（langchain-mcp-adapters）接入 Tavily 搜索与浏览器抓取；用 FastAPI + SSE 实现流式接口，把思考过程、工具调用、回答文本分事件推送；用 python-docx 实现学习路线导出为 Word / Markdown；配置用 pydantic-settings 统一管理。
二、技术栈与架