🤖 AI 项目 LLM

售前解决方案 Agent

基于LangGraph 编排售前解决方案自动化 Agent，支持从需求结构化到方案输出的完整流程。

🛠️ 技术栈：Python · LangGraph · RAG 检索

📌 项目背景

售前人员在面对不同行业的客户时，需要快速产出针对性的解决方案。传统方式依赖人工查阅资料、技术方案查询、产品查询，效率低且难以个性化。本项目用 LangGraph 的 StateGraph 把售前流程拆成多个可编排节点，结合 RAG 企业知识库检索，让 Agent 自动完成「需求结构化 → 检索 → 技术选型 → 架构设计 → 成本测算 → 评审 → 人工审批 → 输出方案」的完整链路。

流程与页面较多，这里用一张流程图讲清整体编排，再按节点走查关键页面。

🔀 整体流程

Orchestrator（LangGraph StateGraph）调度下面 9 个节点；虚线为回退/暂停路径。

flowchart TD
  A["用户输入"] --> O["Orchestrator
LangGraph StateGraph"]

  subgraph ORCH["Orchestrator 编排的节点"]
    R["Requirement
结构化需求 / 缺口识别 / 澄清问题"]
    CL["Clarification
interrupt() 暂停等待用户补充"]
    KN["Knowledge
RAG 企业知识库检索（带来源）"]
    SO["Solution
技术选型：选什么 / 为什么 / 不选什么 / 场景 / 风险"]
    AR["Architecture
Mermaid 架构图"]
    CO["Cost
LLM 提参 + Python Tool 精确计算
（禁止 LLM 算钱）"]
    RE["Reviewer
0-100 评分 + 问题 / 建议"]
    AP["Approval
interrupt() 人工批准 / 修改"]
    PR["Proposal
17 章节《解决方案建议书》+ MD/PDF 导出"]
  end

  O --> R
  R --> Q1{"有信息缺口?"}
  Q1 -- "是" --> CL
  CL -. "用户补充后" .-> R
  Q1 -- "否" --> KN
  KN --> SO
  SO --> AR
  AR --> CO
  CO --> RE
  RE --> Q2{"评分 ≥ 80?"}
  Q2 -- "否，<80 回改（最多 3 次）" --> SO
  Q2 -- "是" --> AP
  AP --> Q3{"批准?"}
  Q3 -- "修改" --> SO
  Q3 -- "批准" --> PR