DevSupport AI 秀才 2026年6月18日 大约 15 分钟 AI Python Agent AI项目 Agent项目 多Agent LangGraph RAG Agent Agent实战 大模型项目 智能客服 llm 此页内容 这个项目是做什么的 项目技术栈 系统架构：三层结构，七个 Agent 十大核心技术亮点 多 Agent 如何协同 性能优化：从 48 秒到 6 秒 配套教程：31 篇，从需求到面试 这个项目适合谁 你能收获什么 如何获取 面向 API 开放平台的多 Agent 智能客服系统 —— 一个拆得开、跑得起、能写进简历的「工程级」大模型应用。

DevSupport AI 是一个精心打磨的大模型 AI Agent 实战项目，定位很清晰—— 面向 API 开放平台的多 Agent 智能客服系统 。 先做个区分：现在打着 智能客服 旗号的项目很多，但大多拆开来看，无非是一段 Prompt 加几轮大模型调用，多问几轮就露怯。DevSupport AI 走的是相反的路线，它把一个客服真正该具备的能力一项不落地补齐了——能听懂开发者的技术问题、能检索文档、能查调用日志、能解释账单、该脱敏的地方一处不漏，遇到自己解决不了的，还会把上下文整理完整、自动创建工单转交人工接手。 底层选用的是大模型应用里最主流的一套：Python + FastAPI + LangGraph，配合 Milvus、MySQL、Redis 和通义千问 DashScope。从需求怎么拆、架构怎么定、代码怎么落地，到怎么写进简历、面试官追问时如何应对，我用整整 31 篇教程 完整讲了一遍，每一行代码都对照仓库里的真实实现，没有一处是凭空编造。 它的工程化程度也不是空谈，是有数据支撑的：冷启动 P95 从 48.6 秒 优化到 6.8 秒 ；热点问题命中缓存只需 0.38 秒 ，且零 Token 开销；已知错误码直接查表，比走完整 RAG 快了 将近 80 倍 ；15 道标准评测题里，意图、实体、引用、转人工、澄清、脱敏六项指标 全部满分、Badcase 为 0 。这些数字，放到面试桌上每一个都拿得出手。 这个项目是做什么的 简单说，整套系统的核心就一件事：开发者在对接你家 API 时遇到问题——报错、被限流、账单看不懂、文档查不到——直接发起提问，AI 自行检索文档、查阅日志、核对账单，给出结论和下一步的修改方法；确实解决不了的，自动整理好上下文创建工单，转交人工处理。 为什么这个场景适合用多 Agent 来做？因为 API 客服类问题有个共同特征： 技术性强、高度依赖上下文、高频重复但每次细节又各不相同 。纯靠人工应对很吃力——首次响应要排队，客服得反复确认 request_id、接口名、错误码，定位一个问题还要在网关日志、套餐权限、接口配置、历史工单之间来回查，客服处理不了就要拉研发介入，研发于是被频繁打断、迭代效率下降。DevSupport AI 把这些散落各处的系统接到一起，能自助的当场自助，自助不了的也不必让人工从零开始排查。 下面是真实运行的效果。开发者反馈 「实名认证接口一直返回 401」 ，AI 直接给出一张结构化卡片——结论、证据、修复步骤、文档出处分得清清楚楚，注意证据里的那把 API Key，已经被 脱敏为 ak_live_****8a2f ：

遇到信息不全的提问，它不会强行给出一个答案搪塞，而是 先把��失的关键信息确认清楚 ——request_id、接口名、错误码——拿到之后再下结论。更省心的是，已经问到的实体会被记入这轮会话，下一句不必重复提供：

项目技术栈 技术选型上没有追求新奇，都围绕 主流、能落地、招聘方认可 来选。概括起来就是： Python 后端那套成熟工具 + 大模型应用最常用的编排与检索组件 ，上手不陌生，学完即用。 技术层级 选型 一句话说明 开发语言 Python 3.11 大模型应用生态最厚的语言，库最全 Web 框架 FastAPI + Uvicorn 异步高性能，SSE 流式输出依赖 sse-starlette Agent 编排 LangGraph + langchain-core 用 StateGraph 把多 Agent 串成 DAG，本项目的核心骨架 大模型 / Embedding / Rerank 通义千问 DashScope （OpenAI 兼容） 一个 Key 跑通对话、 text-embedding-v3 (1024 维)、 gte-rerank-v2 向量库 Milvus （pymilvus 2.4） 存放知识切片，做向量语义检索 关键词检索 rank-bm25 + jieba 分词 与向量检索两路并行召回，再做 RRF 融合 关系库 MySQL 8 （SQLAlchemy 2.0 + aiomysql） 业务数据、会话、工单、trace 全部落库 缓存 / 会话 Redis 5 短期记忆、语义缓存、路由缓存 认证 JWT （python-jose + bcrypt） 登录鉴权 + 多租户隔离 健壮性 tenacity + httpx 工具调用的超时重试、外部请求 前端 React 18 + TypeScript + Vite 现代前端工程，构建快 前端 UI / 可视化 Ant Design 5 + React Flow + react-markdown 组件库打底，React Flow 绘制 Agent 链路，markdown 渲染回复 部署 Docker Compose 一条命令拉起 MySQL / Redis / Milvus 测试 / 压测 pytest + locust 单元测试加并发压测，性能数据由此跑出 每一项在教程里都有对应落点——为什么选它、怎么接入、踩过哪些坑，而不是只甩出一个名词。 系统架构：三层结构，七个 Agent 一个 AI 项目扎不扎实，把架构拆开就能看出来——不少项目拆开后只剩一个转发壳。DevSupport AI 经得起拆：中间一个 Supervisor 统一调度，下面六个各司其职的专职 Agent 负责干活，旁边还挂着 RAG 检索、短长两层记忆、三道脱敏关卡、多级兜底和全链路追踪，每一块都配有设计文档和能跑的代码。

整体自上而下分三层，职责清晰、单向依赖： 交互层 ：统一对外提供接口和流式输出，承担鉴权、租户隔离和请求落库，客户侧对话页和内部客服工作台都走这里。 编排层（核心） ：消息进来先做意图识别和实体抽取，再由 Supervisor 把多个专业 Agent 按一条固定管线串起来协同——诊断、账单、文档问答并行处理，安全审查固定收尾，保证任何回复都不会绕过脱敏。每个节点职责单一、边界清晰，单独拆出来都能测试。 基础能力层 ：RAG 检索、工具调用、会话记忆、安全脱敏与多级兜底、缓存与模型分层、可观测与成本统计等一组互不依赖的能力模块，按需被编排层调用。 三层单向依赖带来的好处是每一层都能独立演进：换前端不影响编排逻辑，加一个新的专业 Agent 不用改接口层，调整检索策略也波及不到上层。至于每一层具体怎么落地、管线怎么设计、模块怎么拆，配套教程里都有完整的设计文档和对应代码。 十大核心技术亮点 下面这十个点，任意挑出两三个，就能在简历上写出一段有分量的项目经历——而且每一个都是面试官会顺势往深处追问的方向。这里先说清每一点解决了什么问题、价值在哪，至于具体怎么实现、怎么一步步落地，都在配套教程里讲透了，这也正是它与套壳项目的分水岭。

一、多 Agent 编排。 不是单靠一句 Prompt 走天下，而是用主流编排框架把意图识别、并行诊断、建单、汇总、安全审查等节点串成一条有向管线，每个 Agent 职责单一、边界清晰、可独立测试。 二、意图路由加实体记忆。 消息进来先判断意图、抽取关键实体，再按规则推荐到对应的专业 Agent；已经问到的信息记入本轮会话，下一句不必重复提供。 三、RAG 混合检索加重排。 只靠向量检索是不够的。这里把向量语义检索和关键词检索两路并行召回、融合、精排、压缩，最后带引用生成，无命中时如实兜底——不糊弄、不编造。 四、工具调用中心。 工具统一注册管理、带超时重试、调用日志脱敏后再落库， 像重置 API Key 这类高危操作根本不开放给 AI ，只能走人工或后台。 五、三层安全脱敏。 在用户输入、工具结果与日志、最终输出 三处各设一道关 ，API Key、Secret、Token、手机号、邮箱、身份证、签名、银行卡等敏感信息全程覆盖。

六、多级兜底。 这个系统不会裸奔：单个 Agent 异常就地隔离、不连累整体；文档未命中就明确告知不确定、转人工建单；整条管线异常就退到规则回复加自动建单。 七、缓存加模型分层。 语义缓存让重复或相似的问题 0.38 秒返回、零 Token 开销 ；轻任务用小模型、重任务用大模型，成本和延迟一起往下压。 八、全链路可观测加成本核算。 每个请求逐节点记录耗时、token、命中了哪几篇文档、处于什么状态，前端再把 整条 Agent 链路可视化绘制出来 ，还能按租户把 Token 成本核算清楚，瓶颈在哪一目了然。 九、评估加压测。 Agent 和 RAG 做完不评估，等于盲飞。这里有标准评估集，意图、实体、引用、转人工、澄清、脱敏逐项打分（ 实测六项全满分、Badcase 为 0 ），还配了并发压测脚本和优化前后对照，一切用数据说话。 十、工程化齐全。 一条命令拉起全部依赖、一条命令完成建表灌数据， 全程只需一个 API Key 即可运行 ，JWT 认证、多租户隔离、流式输出一应俱全。 多 Agent 如何协同 只说"多 Agent"比较抽象，看一个复合问题就清楚了。开发者提出「今天下午一堆 429，是不是你们服务挂了？」——这个问题背后其实裹着好几个原因。Supervisor 会 并行 调度：让 API 诊断 Agent 去查最近的调用量、账单 Agent 去核当前套餐的 QPS、文档 Agent 去检索限流和重试策略，最后再把三方结论汇成一段回复。在内部的客服工作台里，这整条 Agent 链路被 React Flow 一笔一笔绘制了出来，哪个节点花了多少毫秒、消耗了多少 token，看得清清楚楚：

这条链路图，是整个项目最能体现工程深度的部分。客服坐席点开一张工单，不必从头读一遍对话，AI 的意图判断、拿到的证据、最终结论、每个 Agent 各耗时多少，一屏尽收。它同时也是性能优化的入口——每个阶段都单独计时：

至于效果好不好，不靠空说。运营指标页摆着真实的会话总数、AI 解决率、意图分布、各租户的 Token 花销，还能一键拉起标准评估集当场跑分：

性能优化：从 48 秒到 6 秒 这个项目我没有停在"能跑就行"，而是认真做了一轮性能优化，并把优化前后的真实压测数据原样记录了下来。这部分内容拿去面试很有分量——大多数候选人的 AI 项目只做到调通，讲不出"我优化了什么、提升了多少、为什么这么改"。

几个关键数据（全部基于真实服务 DashScope + Milvus + MySQL + Redis 实测）： 指标 优化前 优化后 提升 冷启动 P95 48.58s 6.83s ~7x 吞吐 0.18 req/s 0.75 req/s ~4x 语义缓存命中 9.92s / 1491 Token 0.38s / 0 Token 26x · 0 成本 错误码文档支撑 全程 RAG 0.74s DB 直取 0.010s 78x 这背后是八项手段叠加的结果：语义缓存、路由缓存、错误码热路径直取、Agent 内并行（asyncio.gather）、链路去冗余（单 Agent 场景省掉一次 summarize）、模型分层、上下文压缩、多 Agent 并行。 每一项都能说清"原来瓶颈在哪、改了什么、提升多少" ——这正是把一个 AI 项目从"调通"推进到"调优"的关键一步。 配套教程：31 篇，从需求到面试 项目不是只丢给你一堆代码自己摸索。它配套了 4 大篇章、31 篇深度教程 ，从需求一路覆盖到简历面试， 代码全部忠于真实实现，绝不杜撰 。

第一篇章： 需求分析 （3 篇），讲为什么做：API 客服到底难在哪、用户是谁、这个场景为什么适配多 Agent 加 RAG（附一张业务特征对技术方案的对照表），最后落到技术选型和架构总览。 第二篇章： 方案设计 （10 篇），讲怎么设计：系统架构、多 Agent 编排、意图路由与记忆、RAG 混合检索、工具调用、会话记忆、安全脱敏与多级兜底、缓存与模型分层、可观测与成本、数据模型——一个模块一篇，每篇都把"为什么这么设计、当时权衡了什么"讲透。 第三篇章： 代码实践 （16 篇），讲怎么落地：从脚手架起步，一篇对应一个能独立运行的阶段， 手把手带你把每个功能亲手实现出来 。 第四篇章： 简历面试 （2 篇），讲怎么展示：一篇是项目简历的两种写法（三段式加精简版模板），一篇是面试高频问答——为什么多 Agent、RAG 为什么混合检索、RRF 和 Rerank 的原理、三层脱敏、多级兜底、Badcase 怎么定位，逐题给出参考答案。 部分项目文档截图：

这个项目适合谁

正在准备面试、简历偏空的求职者 ：这十个亮点任选两三个，就够写一段有料的项目经历，而且每一条都踩在面试高频考点上，后面还附了简历写法和面试题及参考答案。 想转向 AI 方向的后端开发者 ：项目用的就是 Python + FastAPI + LangGraph，大模型应用最主流、最贴近真实生产和招聘要求的一套，学完直接能上手。 理论看了不少、却从没整体落地过的 AI 学习者 ：Agent、RAG、脱敏、兜底各自都懂一点，但串不成一个系统——这套教程正好从需求、设计、代码到面试一条龙，每个模块都配有设计文档、代码实现和面试话术。 要做 B 端、企业级 AI 应用的工程师 ：这个项目的"生产味"对你最实用：多级兜底、安全脱敏、租户隔离、全链���可观测、性能压测调优，这些能力拆出来就能迁移进你自己的业务。 你能收获什么

一句话： 学技术、写简历、练面试、扛追问，四件事一次到位 。你得到的不只是一份能跑的代码，而是一段写得进简历、面试时讲得透、还经得住面试官层层深问的完整工程级项目经历。 如何获取 299 元 ， 整套源码加 31 篇深度教程一次到手 。 【AI模拟面试官】 、 【DevSupport AI】 两个项目打包价只要 499 。购买「DevSupport AI 项目」后，你将解锁这些权益： ✅ 全套项目文档资料，永久可看 ✅ 完整项目源码（Python + FastAPI + LangGraph，真实可跑） ✅ 文档答疑 + 专属交流群（飞书 + 微信） ✅ 现成 2 种简历写法（项目亮点和难点全都有），直接拿去面试 ✅ 项目 50+ 相关面试题（全都是项目高频面试题，后续还会持续增加） ✅ 真实可量化的性能优化与压测数据，面试硬核加分 对项目感兴趣，可以扫描以下二维码添加秀才微信咨询，备注『项目咨询』。

秀才微信二维码 更多学习教程请访问学习网站： https://golangstar.cn 在 GitHub 上编辑此页 上次编辑于: 2026/6/19 14:02:30 贡献者: Percygu 下一页 AI模拟面试官