AI Agent
工程实践案例

专注于复杂业务场景下的自主智能体系统设计，通过 RAG 增强、多代理协同及状态机流控，解决 LLM 在工业环境中的落地难题。

System Online

Core Architecture

AgentOps 内部支持助手

AI AgentRAG

架构层

请求接入层

统一处理会话上下文与权限信息。

数据层

推理编排层

按任务类型分派检索、工具调用与总结步骤。

执行层

观测评估层

记录响应质量与关键失败原因，支持回归分析。

闭环层

问题归类

先判断是知识问答、流程指引还是数据查询。

01. 背景 Context

团队在跨系统协作时，信息分散在文档、IM 与工单平台，导致重复问答与响应时间偏长。

02. 职责 My Role

负责整体方案设计与核心链路实现。

03. 方案 Solution

A.采用 Query Rewrite + Hybrid Retrieval 提升复杂提问召回稳定性
B.通过可配置工具编排控制外部系统调用边界
C.在关键回答节点增加来源说明，降低不可解释输出

明显提升

检索质量

RAG 质量评估与迭代工作台

Automated Ops

面向知识问答场景的检索评估工具链，用于持续优化召回与答案可用性。

早期 RAG 系统上线后，团队缺少统一评估流程，问题修复和效果追踪依赖人工经验。

Result 01

团队可以基于同一套指标进行讨论与发布决策

Result 02

减少“凭感受调参”，提高优化过程可追踪性

样本层

统一管理问题、标准答案与引用上下文。

评测层

批量执行检索与生成流程并记录中间指标。

# 流程风险检查 Agentclass WorkflowRiskCheckerAgent:    def __init__(self, model, policy):        self.graph = StateGraph(AgentState)        self.graph.add_node("analyze", analyze_request)        self.graph.add_node("check", run_rule_checks)        # execution focus        step_1 = "梳理规则库结构并接入审批系统字段"        step_2 = "实现多步骤检查链路与结果解释模板"        step_3 = "设计灰度上线与人工兜底机制"        return self.graph.compile()

Review Gate

人工确认兜底节点

Case Study 03

流程风险检查 Agent

在业务审批流程中提供规则核对与材料完整性检查的辅助能力。

梳理规则库结构并接入审批系统字段

将审批字段映射到规则检查任务，按优先级分步执行

实现多步骤检查链路与结果解释模板

输出结构化风险项并附上命中规则说明

Engineering Tech Stack

ReactFrontend

Node.jsRuntime

JavaBackend

n8nWorkflow

OpenAI APIModel API

PostgreSQLDatabase

RedisCache

PythonLanguage

AI Agent工程实践案例