跳转至

企业AI助手：用 RAG + LangGraph 打造智能体

2026-08-21 by dongnan

前置说明

先解释两个关键词：

  • RAG（检索增强生成）——先从知识库检索、再生成，让答案有据可查，而不是大模型"瞎编"。
  • LangGraph——构建 AI Agent（智能体）的框架，让模型能"思考→行动"循环，自主判断该查数据还是查文档。

企业AI助手（xaia26）是一个面向企业内部员工的 AI 智能体，为公司内部提供考勤查询、请假查询和制度问答服务。

它解决一个非常具体的痛点：员工想查考勤、查制度、问报销流程，以前都得"找人"，现在问 AI 就行。

此外，这是第二个通过 vibecoding 方式完成的 AI 项目；首个 AI 项目：指数估值分析AI工具

痛点与目标

企业内部信息散落在"人、文件、系统"三处，想问清楚，都得"找人"。

场景 以前怎么做 麻烦在哪
财务制度 翻文件、问财务 制度多、细则多，财务重复回答
员工手册 问 HR、等回复 请假、报销高频问题，HR 被重复问
考勤·打卡 记不清打卡时间，找 IT 导数据 门禁和微信两套数据，人工核对累

目标：是让员工像问同事一样问"智能体"，它能够秒回答案、数据真实且权威，不因幻觉而乱造。

系统架构

七个服务，一张图看懂：

用户 ──→ xaia-nginx(网关) ──→ xaia-ui(Vue3) ──→ xaia-api(FastAPI) ──→ xaia-agent(ReAct)
                                                                          │  ▲
                                                                          │  └─ SSE 流式输出
                                                                          ▼
                                               MySQL · Redis · Chroma(嵌入式) · DeepSeek

门禁 · 企业微信 ──→ xaia-data ──→ SQLite 暂存 ──→ 推送 ──→ xaia-api ──→ MySQL

请求从网关进入，经过 UI 到业务后台，再由 Agent 决策；数据从门禁和企业微信侧通过数据接入服务采集、暂存、容错推送进 MySQL。

技术选型

层 组件 说明
大模型 DeepSeek 生成答案
Embedding text-embedding-v4 文档/问题向量化
AI 框架 LangChain + LangGraph ReAct Agent 编排、RAG 链路
向量库 Chroma（嵌入式） 知识库的向量检索
关系库 MySQL 业务数据（考勤、员工、请假）
缓存 Redis 会话上下文、限流
后端 FastAPI 认证、考勤/请假查询、员工管理
Agent FastAPI · LangGraph ReAct Agent + RAG + 工具调用，SSE 流式
前端 Vue 聊天、查询、管理后台
网关 nginx 路由 + auth_request 认证 + SSE 代理
包管理 uv · pnpm Python / Node 依赖管理

选型原则：够用、可维护。

  • Chroma 是嵌入式向量库，跑在 xaia-agent 进程里，不单独部署。
  • 选 Chroma 而不是重量级的 Milvus，因为制度文档量级不大，部署简单、启动快，更适合企业内部小规模知识库。

核心实现

数据接入

打通门禁系统和企业微信，考勤、请假、员工数据自动采集进 MySQL。

门禁系统 ──┐
           ├──→ xaia-data ──→ SQLite 暂存 ──→ 推送 ──→ xaia-api ──→ MySQL
企业微信 ──┘

容错是关键：先落 SQLite 本地暂存，再推送到 xaia-api，网络断了自动补传，不丢数据。这等价于一个带补偿机制的同步任务——失败不丢弃，恢复后重放，保证最终一致。

RAG 知识库

把《员工手册》《财务管理制度》等文件，转成 AI 能检索的知识。

入库流程：

文档 → 切分(chunk) → embedding 向量化 → 存入 Chroma

问答流程：

问题 → embedding → Chroma 检索 top-k → 拼入 prompt → DeepSeek 生成 → 标注出处

整条链路由 LangChain 串联：文档切分、向量检索、prompt 组装都是现成组件，省去手写胶水代码。

关键点：回答都标出处。每个答案对应检索到的文档片段，可追溯——这是 RAG 相对"裸问大模型"的核心价值。

Agent 编排

接入大模型后，让 AI 三步走：

听懂问题(意图识别) → 查考勤数据 / 制度知识库(工具调用) → 组织成人话(生成回答)
  • 问"本月考勤" → 识别为数据查询 → 调 xaia-api 取考勤数据 → 组织回答
  • 问"报销流程" → 识别为制度查询 → 检索知识库 → 组织回答
  • 支持上下文记忆，可连续追问

这本质是一个 LangGraph ReAct Agent：模型在"思考（Reason）→ 行动（Act）"的循环里，按需调用"查考勤""查制度"等工具，直到拿到足够信息再组织回答。真实数据和文档由外部工具提供，模型只做"编排者"。

回答通过 SSE 流式输出，边生成边显示，体验像打字机，而不是"转圈等全文"。

系统模块

七个服务各司其职：

# 服务 端口 职责
1 xaia-nginx 80/443 网关：路由 + auth_request 认证 + SSE 代理
2 xaia-ui 80（内部） Vue 3 SPA，聊天 UI
3 xaia-api 8001 REST API：认证、考勤/请假查询、员工管理、对话管理
4 xaia-agent 8002 ReAct Agent + RAG + 工具调用，SSE 流式
5 xaia-data 8003 门禁 + 企微采集，SQLite 暂存，容错推送
6 MySQL 3306 业务数据
7 Redis 6379 会话、限流
  • 前端 xaia-ui 用 Vue 3 + Vite + Tailwind 组件化开发：聊天窗、考勤/请假查询、管理后台是独立组件，复用和扩展都方便；
  • 后端 xaia-api 用 FastAPI，异步接口 + 自动生成 OpenAPI 文档，调试省心。

安全设计

从外到内层层设防：

防爬虫 → 短信验证码登录 → 数据隔离 → 审计留痕

工程侧还做了几件事：

  • 容器加固：所有容器 cap_drop: ALL + no-new-privileges，无状态服务 read_only，仅 nginx 映射宿主机端口。
  • 敏感文件拦截：.env、docker-compose.yml 等请求直接返回 444。
  • 安全响应头：X-Frame-Options、CSP、HSTS。
  • 可追溯：日志经 syslog → log-router 集中落盘 /var/log/xaia/，留存 180 天。
  • 扫描兜底：另有独立 AI 项目 sescan 定期做安全扫描。

工程实践：vibecoding

这个项目的开发方式和传统方式不同，以 AI 编程工具为"主程"，人类提出需求、决策、验收，AI 工具负责实现代码：

  • Spec 先行：先定义清楚"做什么"，再把需求喂给 AI。
  • 模块化拆分：七个服务职责单一，AI 生成、人审边界。
  • 快速迭代：需求 → 生成 → 测试 → 反馈，多轮循环。

让 AI 保持聚焦

AI 编程助手最大的敌人是"上下文爆炸"——七个服务塞进一个仓库，让 AI 一次看全部代码，注意力必然涣散。

所以采用分层规则文件 + 目录隔离启动：

  • 根目录 AGENTS.md 只放跨模块通用规则（命名、Git、测试策略）；
  • 每个模块再放一份 AGENTS.md，只写模块专属规则（技术栈、接口、业务逻辑）；
  • 日常开发从子模块目录启动，AI 只加载当前模块 + 根目录的规则，上下文保持聚焦；
  • 只有跨模块修改（改 compose、共享 schema）才从根目录启动。

一句话：让 AI 每次只看到它该看的东西。

单仓库还是多仓库

七个服务耦合度高（data → api → agent → ui），选 monorepo 而不是拆成独立仓库：

独立仓库 monorepo
改 API 契约 改两个 repo 一个 commit 改两端
Pydantic schema 两边各写一份，易漂移 共享 schema，一处改
联调 每 repo 一份 compose 一份编排，一键启动

判断线：服务数量、团队规模、接口是否稳定。开发期接口频繁变动，monorepo 明显划算；等接口稳定、团队人数增加再考虑拆。

最终交付：175 个 Python 文件 + 47 个 TypeScript + 11 个 Vue 组件，74 个 HTTP 路由端点。

效果

问题类型 示例 返回
考勤 "本月考勤"、"上月考勤" 秒回真实数据
制度 "印章制度"、"合同审批" 秒回，还标出处
财务 "报销流程" 秒回，给出详细流程

智能体对话截图

AI助手对话示例

价值：从"找人"到"问它"——省人力（自助）、快（秒级回答、7×24）、准（双数据源统一口径）。

参考

  • deepseek
  • https://github.com/langchain-ai/langchain
  • https://github.com/fastapi/fastapi
  • https://cn.vuejs.org/
回到页面顶部