Skip to content
Conduit

mcp server

Customer-Service-AI-Agent

Production-oriented LangGraph customer-service agent with hybrid RAG, durable async execution, HITL governance, MCP tools, observability, and reproducible evaluation.

Xander-Xai/Customer-Service-AI-Agentcommunitylistedunreviewed
Use tool

Set up

Runs on your computer. Pick your agent and operating system.

This project does not publish an install method we can turn into a config. Follow the README instead.

README

synced Oct 26, 2026

Customer Service AI Agent

LangGraph-based Customer Service AI Agent — multi-agent orchestration, hybrid RAG, tool execution, durable runtime, HITL and observability.

一个独立维护的 LangGraph 多智能体客服工程参考实现：四层状态机动态路由 （缓存检查 → 意图路由 → 专家 Agent 协作 → 响应后处理），叠加分布式执行底座 （PostgreSQL checkpoint + Redis 锁 + Celery worker + 工具副作用幂等 ledger） 与高风险操作的人工审批治理。

项目与数据边界（请先读）

  • 本仓库是独立维护的多智能体客服工程参考实现，不代表任何特定企业的官方客服系统， 也不是任何生产系统的等价镜像。
  • 示例知识库、客户会话、商品、订单、售后及投诉数据均为合成或经授权可公开的资料， 不含真实客户信息、企业内部订单、商业秘密、生产日志、数据库凭据或未经授权公开的 第三方资产。
  • 退款、订单修改等工具调用用于演示工作流、审批、幂等与故障恢复机制，不应被理解为 已接入真实企业 ERP 或具备真实交易执行能力。
  • 测试与运行验证仅对已执行的测试环境和条件负责；不代表生产高可用、安全认证或实际 业务正确性得到验证。

完整数据来源清单、已执行审计结论与已知残留： DATA_PROVENANCE.md。

CI Python License

不是 demo：make test 默认离线可跑（无 API Key、不出公网）；CI 在 3 个 Python 版本上跑单测/集成，并在真实 PostgreSQL + Redis 上跑分布式运行时验收 （依赖缺失时硬 FAIL，不静默 skip）。

事实项当前值真相源
Runtime version6.3core/config.py::VERSION
LLM（默认）siliconflow / Qwen/Qwen3-8Bcore/config.py
Embedding / RerankBAAI/bge-large-zh-v1.5 / BAAI/bge-reranker-v2-m3core/config.py
Agent 角色 / 协作模式9 / 5agents/、collaboration/modes.py
OpenAPI 路径数63docs/openapi.json（make openapi-check 校验）
RAG 正式 649-query 指标NOT_VERIFIED（且当前不可测）docs/reference/rag-evaluation.md
生产上线验收未完成Production Readiness · 生产准备度检查清单
最新公开 Releasev1.0.1（2026-10-08，仅文档变更）Releases

Release ≠ main：最新公开 Release v1.0.1 早于当前 main，不包含分布式 Agent Runtime、HITL 治理与会话加密安全修复（PR #19、#21–#24）。本 README 描述的是 main 分支状态，不是任何已发布产物。CI 的 build-and-push 会向 GHCR 推送镜像， 但 deploy job 需要仓库变量 DEPLOY_HOST 才触发（当前未配置，因此该 job 一直是 skipped）——本仓库没有生产部署证据。

入口文档：docs/reference/current-state.md。 版本变更历史在 docs/reports/releases/changelog.md。

关于证据：本仓库区分「代码存在」与「证据支持」。正式 RAG 指标、生产 QPS/P95、 真实 ERP 写操作、真实用户业务指标一律标记 NOT_VERIFIED / NOT_MEASURED。 任何未经 provenance 支撑的数字都不应从这里、README 或任何对外材料中被引用为当前结果。 完整不宣称清单见 docs/limitations.md。

Contents

Problem

企业智能客服的难点不在"能不能调通 LLM"，而在下面这六件事。任何一件没做对， 上线后就会以事故的形式出现。

1. 长任务与在线交互是两种负载，不能用同一套机制

用户问"这个成分会不会刺激"，要在两秒内回答。 但一个需要人工审批的退款，可能要挂几十分钟。

用同步接口处理后者 = HTTP 早就超时了，副作用还悬在半空。 用队列处理前者 = 凭空多一跳延迟，用户已经关页面了。

2. Agent 一定会做出有副作用的动作

只要 Agent 能调工具，它就能"真的"下单、退款、改单。 于是问题从"Agent 聪不聪明"变成"它什么时候被允许做不可逆的事"。 LLM 说"我觉得该退款"不构成授权。

3. 崩溃 + 重投 = 重复副作用

分布式执行必然是 at-least-once：worker 崩了，任务会被重新投递。 如果幂等没做对，一次崩溃就变成两次扣款。 "不重复发起"不是框架给你的，是你自己要用 ledger 换来的——而且只在本仓 ledger 层成立； 端到端 exactly-once 还要下游接受同一把幂等键。

4. 状态散落在四个互不相干的地方

对话历史、图执行位置、响应缓存、工具结果——它们有不同的生命周期、 不同的 scope、不同的失效条件，其中工具结果还带用户身份。 把它们塞进一个"上下文管理器"必然出现"该留的丢了 / 不该留的留下了"。

5. 工具结果是上下文杀手

一次 ERP 查询返回几百条记录。全塞进 prompt：撑爆上下文、烧 token、 而且挤掉用户问题本身。没有做过工具结果上下文工程的 Agent，成本和 质量都会随数据量线性恶化。

6. 最难的不是上线，是"你怎么知道它还好使"

指标显示一切正常，但 DLQ 里躺了 200 个 run——因为告警规则依赖的指标 从来没被导出过。这类"看起来有监控、实际上没有闭环"的问题， 在真实生产里是最高频的静默故障。

Solution

一句话：一个同步快路径 + 异步耐久路径并存的企业客服 Agent 服务。 快路径用 LangGraph 实时编排多 Agent 回答请求；长任务落库入队， 由 Celery worker 从 Postgres checkpoint 续跑，并给每一次工具副作用加去重记账 （本仓 ledger 保证不重复执行；端到端 exactly-once 需要下游接受幂等键）。

针对上面六个问题：

问题方案关键点
两种负载Hybrid 双路径快路径 POST /api/chat 永远 inline 不经队列；异步 POST /api/runs 落库 + 入队。共享同一份图与 checkpoint
有副作用的 Agent执行前拦截 + 人工审批HIGH 风险调用被摘出到 pending_actions（不执行），由图节点 interrupt() 逐个等人决策
崩溃重投三层幂等run 级（终态 no-op + 唯一约束）· thread 级（Redis 锁 + lease）· 工具级（tool_side_effects ledger，原子 claim）
状态四分四类状态显式分离checkpoint（Postgres，跨进程）· session（Redis）· response cache（三层）· tool store（Redis，scope 精确绑定）
工具结果Tool Result Context Engineering压缩 → 字段白名单 → 预算裁剪（优先丢最大的非标识字段）→ 超限卸载 → 旧消息 stub 化
可观测闭环三条独立信号 + 证据分级Trace（OTel 语义 span）/ Metric（~70 个 prometheus_client 指标）/ Log（两层密钥脱敏）；NOT_VERIFIED 是一等公民

四条设计原则（贯穿全仓，也是本项目与"会调 LangChain"的差别）：

  1. Fail closed, never fail silently. Postgres checkpoint 起不来 → 拒绝回退 MemorySaver（core/container.py:341-351）。 embedding 挂 → 语义缓存失效并显式标记 degraded，不静默退化成词面命中。 无治理上下文的写操作 → 拒绝执行。
  2. AgentRun 表是唯一真相源. Celery result backend 不是（task_ignore_result=True）。
  3. 副作用必须可去重，且要写清楚去重到哪一层. 用重放稳定 operation_key（build_replay_stable_operation_key，非 HITL；HITL 用 run_id:approval:{approval_id}）+ 原子 claim 换，而不是假装消息队列是 exactly-once。不能用 run_id:tool_call_id：tool_call_id 由 LLM 生成，节点 重放时会变，同一笔逻辑写操作换键后会被执行两次。边界：ledger 让本仓不重复发起同一次写；外部系统的 exactly-once 需要下游接受同一把幂等键——本仓不提供、不宣称端到端保证。
  4. 没证据就不写数字. 正式检索指标当前不可测（gold 不是相关度标注）， 所以本仓库不发布任何 Hit@K / MRR 百分比。用随机同类别文档当 gold 算出来的数字 比没有数字更糟。

Architecture

flowchart TB
    subgraph Input["接入层"]
        WS[WebSocket /ws/chat]
        REST[REST API /api/chat]
        SSE[SSE /api/chat/stream]
        MM["统一多模态入口 /api/chat/multimodal"]
        RUNS["异步 run 入口 /api/runs"]
    end

    subgraph Middleware["中间件层"]
        TRACE["1. trace_id 追踪"]
        CSRF["2. CSRF 双重 Cookie 提交"]
        AUTH["3. API Key / JWT · 4 级 RBAC"]
        CSP["4. 安全头 CSP/HSTS"]
        RATE["5. 限流 60req/min/IP"]
    end

    subgraph Graph["LangGraph StateGraph · 9 节点"]
        C0["Layer 0 · check_cache"]
        C1["Layer 1 · classify_query"]
        C2["Layer 2 · 协作模式（5 选 1）"]
        GATE["human_approval_gate"]
        C3["Layer 3 · final_response"]
    end

    subgraph Cache["三层响应缓存"]
        L1["L1 Redis 精确缓存 · MD5 SETEX"]
        L2["L2 Qdrant 语义缓存 · BGE 向量"]
        L3["L3 Jaccard 回退 · jieba 分词"]
    end

    subgraph Router["双层路由（asyncio.gather 并行）"]
        LLM["LLM Router · JSON 分类"]
        RULE["Rule Classifier · 正则 + 复杂度评分"]
    end

    subgraph Experts["9 个 Agent 角色"]
        PA[ProductAgent]
        TA[TechAgent]
        BA[BillingAgent]
        CA[ComplaintAgent]
        GA[GeneralAgent]
        SA[SalesAgent]
        AA[AftersalesAgent]
        RA[ReActAgent]
        RPA[ResponseAgent]
    end

    subgraph Retrieval["检索与工具"]
        RAG["Qdrant · 4+1 collection"]
        BM25["BM25 词法检索"]
        RRF["RRF 融合"]
        RRK["Reranker · bge-reranker-v2-m3"]
        ERP["金蝶 ERP · Mock/Real · HMAC"]
        FC["Function Calling 工具集"]
        MCP["MCP 适配器 · 默认关闭"]
    end

    subgraph Runtime["分布式执行底座"]
        RUN["AgentRun 状态机 · agent_runs 表为唯一真相源"]
        CP["PostgreSQL LangGraph Checkpoint"]
        LOCK["Redis per-thread 锁 · Lua CAS"]
        CELERY["Celery worker · acks_late + 幂等"]
        LEDGER["tool_side_effects 幂等 ledger"]
        DLQ["agent_dead_letters + 重放"]
    end

    subgraph HITL["人工审批治理"]
        APPR["human_approvals · TTL / 职责分离"]
    end

    WS --> TRACE
    TRACE --> CSRF
    CSRF --> AUTH
    AUTH --> CSP
    CSP --> RATE
    RATE --> C0
    RUNS --> C0
    C0 --> L1
    L1 -->|"hit"| C3
    L1 -->|"miss"| L2
    L2 -->|"hit"| C3
    L2 -->|"miss"| L3
    L3 -->|"hit"| C3
    L3 -->|"miss"| C1
    C1 --> LLM
    C1 --> RULE
    LLM --> C2
    RULE --> C2
    C2 --> Experts
    Experts --> GATE
    GATE --> C3
    Experts --> RAG
    Experts --> ERP
    Experts --> FC
    Experts --> MCP
    RAG --> BM25
    BM25 --> RRF
    RRF --> RRK
    RRK --> Experts
    RUN --> CP
    RUN --> LOCK
    RUN --> CELERY
    RUN --> LEDGER
    RUN --> DLQ

    style C0 fill:#e1f5fe
    style C1 fill:#fff3e0
    style C2 fill:#e8f5e9
    style GATE fill:#fff8e1
    style C3 fill:#fce4ec
    style HITL fill:#fff8e1

四层状态机

层节点做什么关键设计
Layer 0check_cacheL1 精确 → L2 语义 → L3 Jaccard 回退命中直接短路到 Layer 3；embedding 不可用时 fail closed
Layer 1classify_queryLLM 分类器 ∥ 规则分类器asyncio.gather 并行；高置信规则匹配（≥ 0.75）跳过 LLM 调用
Layer 2协作模式节点Sequential / Parallel / Consultation / Hierarchical / ReAct模式由路由结果 + 查询复杂度决定，不是硬编码分支
审批闸human_approval_gate逐个 interrupt() 等待人工决策无 HIGH 风险动作时是纯 no-op（普通流量零开销）
Layer 3final_response质量评估 → 模式升级重试 → 缓存写入 → SLA 监控 → 事件广播评估不达标则升级协作模式重跑，而不是原样返回

图定义：core/graph_builder.py:399-457（唯一生产 StateGraph）。 状态：core/state.py:6（AgentState，单一定义点）。 节点逐行与边设计理由见 docs/architecture.md。

一次请求实际怎么走

sequenceDiagram
    autonumber
    participant U as 用户
    participant API as FastAPI
    participant G as LangGraph
    participant A as 专家 Agent
    participant R as Qdrant + BM25
    participant T as ToolRegistry
    participant L as 幂等 ledger

    U->>API: POST /api/chat（或 /api/runs 异步）
    API->>API: auth / 限流 / 净化 / per-thread 锁
    API->>G: ainvoke(thread_id=session_id)
    G->>G: Layer 0 check_cache（L1→L2→L3）
    alt 缓存命中
        G-->>API: 直接产出响应
    else 未命中
        G->>G: Layer 1 LLM ∥ 规则 路由（可短路）
        G->>G: Layer 2 选协作模式（5 选 1）
        G->>A: 调用领域 Agent
        A->>R: 混合检索 + RRF + rerank
        R-->>A: Top-K 证据
        opt 该角色是 ReActAgent
            A->>T: execute_raw（唯一执行边界）
            T->>L: 有副作用？原子 claim
            L-->>T: 命中则返回已存结果，不重做
            T-->>A: 结果经上下文工程裁剪
        end
        A-->>G: AgentState
        G->>G: human_approval_gate（HIGH 风险逐个 interrupt）
        G->>G: Layer 3 质量评估 / 升级重试 / 写缓存
        G-->>API: final_response
    end
    API-->>U: 响应 / SSE 流

Agent 角色内部循环、工具边界与幂等记账的细节图见 docs/agent-design.md §2.0；异步路径与崩溃恢复见 docs/architecture.md §2.1。

五种协作模式

模式何时选结构
Sequential单意图、单一领域（默认）一个 Agent 串行执行
Parallel多领域可切分（成分 + 库存 + 价格）并发执行 → 聚合
Consultation需要专家意见但由主 Agent 交付主 Agent + 顾问 Agent
Hierarchical投诉、复杂任务需分解协调者拆解 → 子任务 → 汇总
ReAct需检索 + 工具调用的多步推理RAG → Function Calling → 观察 → 迭代

投诉固定走 Hierarchical 不是因为"复杂度高"，而是结构需求： 投诉需要一个统一对外口径，多个 Agent 各说各话会互相矛盾。

为什么不是一条裸 Chain

裸 if/elif + LLM 在四个地方会断：分支组合爆炸（9 Agent × 5 模式 = 45 种）、 没有"暂停等人"的原语、进程死了状态就没了、多 Agent 中间结果没有统一载体。 LangGraph 恰好提供了这四个原语（StateGraph / interrupt() / Checkpointer / AgentState）——详见 docs/agent-design.md。

Response Cache（L1/L2/L3）与 Tool Result Cache、Tool Result Store、Session Memory、 LangGraph Checkpoint 是相互独立的机制（ADR-006），不共用 TTL 或失效条件。

Key Features

每一项都有源码锚点。这一节是本项目与「会调 LangChain」的差别。

分布式 Agent Runtime

  • AgentRun 是唯一真相源：业务状态只认 agent_runs 表；Celery result backend 不是真相源（task_ignore_result=True）。状态机 9 状态、DB 层原子 CAS 转移： runtime/statuses.py:45-103、runtime/repository.py:182,211。
  • 四个 ID 严格区分：thread_id（对话级 == session_id）· run_id（单轮执行）· task_id（Celery，重投会变）· AgentRun（业务记录，跨重投稳定）。 为什么重要：崩溃恢复时 Celery 用新 task_id 重投同一条 run， 把 task_id 当业务标识会让幂等键变化 → 重试真的重复扣款。
  • at-least-once，明确不是 exactly-once：task_acks_late + task_reject_on_worker_lost + Redis visibility_timeout。正确性由三层幂等承担。
  • 崩溃恢复：worker 崩溃 → 未 ACK 任务重投 → lease 过期后 mark_running 接管 （attempt+1）→ 从 checkpoint next 续跑（runtime/bootstrap.py）→ 退避重试 → 用尽写 DLQ → scripts/replay_dead_run.py 复用原 run_id 人工重放 （新 run_id 会绕过工具幂等键）。
  • 归属权 fencing（owner CAS）：worker 提交终态走 transition_owned()， ownership 谓词长在同一条 UPDATE 的 WHERE 内部（SELECT → 判断 → UPDATE 是 TOCTOU）。失去所有权抛 RunOwnershipLost，executor 读到即退出：不记失败、不重试、 不进 DLQ、不消耗 attempt。
  • Checkpoint 生产 fail-closed：三层守卫（core/config.py:637、 core/container.py:341-351、core/container.py:278-289）。内存 checkpoint 在多副本下 会给出"看起来正常但状态已丢"的行为，比启动失败危险得多。

Human-in-the-Loop 高风险审批

高风险工具调用在执行前被摘出到 state["pending_actions"]（不执行）， 由图节点 human_approval_gate 逐个 interrupt()。

  • 风险分级 LOW/MEDIUM/HIGH，优先级为「工具显式声明 > 工具名白名单 > 金额阈值 > 默认 LOW」，只有 HIGH 需要审批；判定失败 fail-closed。
  • 审批落表（唯一约束 (run_id, action, proposal_fingerprint)）， PENDING → APPROVED | REJECTED | EXPIRED 均为终态。
  • 职责分离 reviewer_id != user_id 在 service 层强制 （core/hitl/approval_service.py:338-349），API 层不是唯一防线。
  • TTL 到期落 EXPIRED，按拒绝处理，绝不默认放行，并在读/决策/恢复三处收敛， 保证图不会死等。
  • 幂等双防线（缺一不可）：审批防「不该做的被做了」，side-effect ledger 防 「做了一次被重做」。已批准执行走 operation_key = run_id:approval:{approval_id}， 在任意次重试中恒定。
  • /api/chat 快路径无 run 上下文，明确不在该治理边界内；补偿措施是拒绝 无治理的副作用调用，不是放行。

设计：docs/design/human-in-the-loop.md

工具执行的统一边界

所有工具（含 MCP）必须穿过 ToolRegistry.execute_raw，因此能统一做授权、超时、 幂等、缓存、脱敏、埋点。模型永远拿不到 tool store 的访问权——只能用 recover_tool_result(reference_id)，而这仍受 scope 精确校验 （不同 (user_id, session_id) 拿不到别人的结果）。否则一次 prompt injection 就能捞走别的用户的工具结果。

评测的真实性

正式评测流水线会自我认证失败：scripts/rag_evidence_validity.py 从执行事实 （子集运行？查询数？四条 ablation leg？请求错误？降级比例？required channel 是否真的跑过并产出候选？gold 覆盖？）判定有效性，不看指标大小—— 一个真正差的检索器产出低 Hit@K 是有效测量。生产者写 evidence_validity 块且在 INVALID 时不允许输出 VERIFIED_FULL；消费者重算并交叉核对。 手工编辑或旧版 artifact 无法自我认证。

其他

能力锚点
Tool Result Context Engineeringcore/tool_result_*.py（预算、压缩、offload/recovery、scope-safe exact reuse）
MCP 适配器tools/mcp_adapter.py（11 条 fail-closed 策略、8 类错误分类、init 回滚事务；默认关闭）
三层响应缓存cache/（L1 Redis MD5 · L2 Qdrant 语义 · L3 Jaccard 回退）
混合检索rag/（Qdrant + BM25 → RRF → cross-encoder rerank；确定性 point ID）
Token 配额与追踪core/token_tracker.py（用户级日/月限额，Redis 持久化 + 内存回退）
分布式追踪core/tracing.py + core/telemetry.py（5 个语义 span，属性白名单 + 敏感键黑名单双层）
结构化日志core/logger.py（两层密钥脱敏；scrub_exception_message() 就地脱敏，防止 ASGI 自己的 traceback 泄漏）
输入净化与注入防御api/utils.py + 历史对话包在「不可信数据」边界标记内
数据权限与会话隔离ContextVar per-session SharedBlackboard + 可选 Fernet 会话加密（AES-128-CBC + HMAC-SHA256）
文档一致性守卫scripts/audit_doc_consistency.py（链接/配置/OpenAPI/生命周期/指标声明/Mermaid 结构/HITL 默认值/状态机完整性/生产声明）

证据分级

级别含义现状
Level 1 — IMPLEMENTED代码存在且可读图编排、工具循环、RAG、分布式 Runtime、HITL、OTel
Level 2 — CI VERIFIED真实基础设施 + 命令 + 可复查 artifactmake runtime-e2e（真实 PG + Redis + 多进程 Celery）、make runtime-chaos（SIGKILL worker 恢复）在 CI lane 上跑；OTel Collector 传输链路（make otel-collector-smoke）为 LOCALLY VERIFIED，不在 CI lane
Level 3 — 生产验证真实生产集群 / 多副本 / 真实流量全部 NOT_VERIFIED

Level 2 ≠ 生产验证。 本仓库任何文档都不得把 Level 2 说成"生产集群已验证"。

Demo

make demo-offline

离线、确定性地跑通「正常客服路由」，并输出证据卡（Mock LLM、无 API Key、无出网）： 包含 scenario / MOCK/OFFLINE / verdict（PASS / FAIL / NOT_RUN）/ Git SHA / UTC 时间戳 / 源码与测试锚点。退出码即底层检查退出码—— 「没跑」或「跑挂」永远不会被输出成 PASS。 详见 docs/guides/offline-demo.md。

Quick Start

最小可跑路径（默认离线，不需要任何 API Key）

# 1) 环境
python3 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt -r requirements-dev.txt

# 2) 跑测试（默认离线：不发起公网请求，Mock 一切外部依赖）
make test

# 3) 读当前事实（不硬编码任何数字，全部从代码/配置推导）
make facts
make audit-docs        # 文档一致性守卫

起服务

make dev               # → http://localhost:8000（热重载）
make prod              # 生产栈（Docker Compose + Nginx + TLS），缺 TLS 物料会 fail fast
make tls-local-cert    # 仅本地开发：生成本地自签证书

部署前必须设置的变量

变量为什么缺了会怎样
ADMIN_PASSWORDapp 首次启动用它引导 admin 账号docker compose config 直接失败并提示
POSTGRES_PASSWORD / JWT_SECRET / SESSION_TOKEN_SECRET / API_KEY生产凭据启动校验 fail-fast，不降级
LLM_PROVIDER 对应凭据LLM 调用熔断器连续失败后降级到规则引擎
HITL_HIGH_RISK_TOOLS 或 HITL_HIGH_AMOUNT_THRESHOLD让审批开关真的生效静默什么都不拦（见 Limitations）

配置全表见 docs/reference/configuration.md， 模板见 .env.example（提交的是占位符，不是密钥）， 部署细节见 docs/deployment.md。

端口语义

场景地址说明
开发（make dev）localhost:8000dev override 确实发布 app:8000
生产nginx NGINX_HTTP_PORT / NGINX_HTTPS_PORT（默认 80 / 443）app 只 expose: 8000、不对宿主机发布

生产栈唯一发布应用端口的是 nginx——TLS、安全响应头、灰度流量分割都在它那里。 8000 不是生产可达地址。

Tech Stack

层选型
编排LangGraph（StateGraph + PostgreSQL checkpointer + interrupt()）
服务Python 3.10+ · FastAPI · SSE · WebSocket · Uvicorn/Gunicorn
检索Qdrant（4+1 collection）· BM25 · RRF 融合 · bge-reranker-v2-m3
异步Celery（Redis broker）· acks_late · visibility_timeout · DLQ
状态PostgreSQL 15（agent_runs / agent_dead_letters / tool_side_effects / human_approvals）+ Redis 7（Session / Cache / JWT 黑名单 / per-thread 锁）
观测OpenTelemetry 语义 span + Prometheus + Grafana + Alertmanager + Loki
安全Argon2id · JWT（access + refresh + Redis 黑名单）· 4 级 RBAC · CSRF 双提交 · CSP nonce · SSRF 防护 · 限流
部署Docker Compose 6 变体（base / prod / override / canary / scale / monitoring）+ Nginx + TLS
工具OpenAI Function Calling · MCP（read-only-first，默认关闭）· 金蝶 ERP 适配器（Mock/Real + HMAC + 重试 + 分页）
前端原生 JS + Vite 8 · Vitest（可嵌入 widget）

Evaluation

make test          # 默认离线：无 API Key、无公网访问
make test-fast     # 跳过 stress 标记的慢测试
make test-cov      # 覆盖率报告（门槛 80%）
npm test           # 前端 Vitest

测试数量以 pytest --collect-only -q / npm test 的当前输出为准，不在文档里硬编码。

门禁命令需要的环境
代码规范（Ruff check + format，阻塞）make lint无
文档事实一致性（make audit-docs 守卫）make audit-docs无
OpenAPI 快照一致make openapi-check无
分布式运行时验收make runtime-e2e真实 PostgreSQL + Redis + 多进程 Celery（缺失时硬 FAIL）
worker 崩溃恢复（SIGKILL）make runtime-chaos同上
运行时证据报告make runtime-verify同上 → artifacts/distributed-runtime/<ts>/report.json
DLQ 人工重放make runtime-replay-help同上
RAG 正式 649-query 评测make rag-eval-import → make rag-eval-649-preflight → make rag-eval-649真实 provider + 已索引语料（当前 NOT_VERIFIED）

CI 有 9 个 job：lint（Ruff check + format，blocking）、test（3 个 Python 版本 + MCP 契约禁止静默 skip）、dev-compat、runtime-e2e（真实 PG + Redis + chaos）、 metrics-alerting（指标暴露面契约 + 官方 promtool + 真实 Prometheus 端到端）、 agent-eval（契约阻塞；分数在人工标注完成前必须 NOT_MEASURED，不冒充 PASS）、 security、build-and-push、deploy（容器内健康探测 + Celery 原生 worker 就绪断言）。

⚠️ CI 绿色 ≠ 所有扫描都达到阻塞门禁标准。 security job 里有两步是 continue-on-error: true 的信息性步骤，失败不会让 job 变红： gradual mypy（存量模块的渐进式类型检查，存量类型错误仍然存在、未清零）与 pip-audit（依赖漏洞扫描）。真正阻塞的是：strict mypy（新模块）、 bandit、公开仓库边界守卫、secret 检查、Ruff、全部测试 lane 与 runtime-e2e。 看到 security = success 时不能推断「依赖无漏洞」或「类型债已清」。

为什么有些测试"不允许 skip"？ 一个会因为"依赖没装 / 环境没配"而变绿的测试 证明了不了任何事，却会给人"已验证"的错觉。分布式 Runtime 验收的 TEST_DISTRIBUTED_DB_URL 缺失时是硬 FAIL。

评测与证据的完整口径见 docs/evaluation.md。

Limitations

这一节是本 README 里最重要的一节。 每一条都是当前没有做到的事。收藏前请先读它。

本节整体状态：PRODUCTION NOT_VERIFIED。 Compose 扩容能力可配置 ≠ 多副本在生产跑过； Level 2 的真实验收（真实 PG / Redis / 多进程 Celery、SIGKILL 崩溃恢复） 不等于生产验证。

完整清单（含代码级债务与未做方向）见 docs/limitations.md。

展示状态：SHOWCASE_READY_WITH_DISCLOSED_LIMITATIONS

主要架构、测试入口与可复现范围已清晰，活跃文档与实际代码在已核查范围内一致； 可作为 AI 大模型应用开发（RAG / Agent）方向的开源工程参考。 尚未得到生产环境完整验证。 本状态不等于 PRODUCTION_READY、 SECURITY_CERTIFIED、Level 3 已验证、端到端 exactly-once，也不代表已随 v1.0.1 发布。后续只有明确缺陷、安全事件、必要依赖更新或真实新需求才触发工程修改。

已知功能断链（声明强于事实）

#问题状态说明
1DLQ 告警断链已修复（暴露链 VERIFIED_LOCAL）/ 通知链 NOT_VERIFIED断链有两半：① 注册表从未被序列化（唯一的 /metrics/prometheus 手工拼接 csai_*，全仓无 generate_latest）；② agent_run_dead_letter_total 由 worker 容器递增而 Prometheus 只抓 app 容器，进程内 REGISTRY 互不可见。现在有 GET /metrics（generate_latest）+ PROMETHEUS_MULTIPROC_DIR 多进程聚合 + bearer_token_file 抓取凭据。真实 prom/prometheus:v2.51.0 上 AgentRunDeadLetterDetected 实际进入 firing（make metrics-exposure-verify；make alert-rules-test 是官方 promtool test rules）。仍未验证：Alertmanager 实际投递、整套 compose 栈端到端、Grafana 真实渲染
2"转人工"不是已实现的功能Partial（本轮未改代码，结论不变）escalation 只有两处：agents/response_agent.py:280 检查回复文本是否含"转人工"等词；agents/complaint_agent.py:88 设一个提示词 flag。没有工单表、没有队列、没有坐席台、没有推送。 系统能说出 "建议转人工"，但没有东西接住这句话 —— 它是会话级状态标记 + 响应策略提示。（注意：这与"人工审批"是两件事，后者是 Implemented）
3HITL_ENABLED=true 但没配 = 静默放行已修复（fail-closed）① 启动校验 core.config.validate_hitl_settings：HITL_ENABLED=true 而两条 HIGH 规则全空 → 拒绝启动（此前是 LOW 全放行且无任何告警）。校验先于 DEV_MODE 早退，开发机同样受约束。② 执行期兜底：治理开启时，side_effect=True 却没被任何规则认领风险等级的工具一律判 HIGH；只读工具不受影响

工具执行层的真实边界

能力状态说明
原生工具超时ImplementedTOOL_EXECUTION_TIMEOUT_SECONDS（默认 30s）覆盖只读与幂等 ledger 两条分支。只读超时降级为可解释错误；副作用超时必须冒泡 —— 转成字符串会被 ledger 记成 SUCCEEDED，重投递时直接返回缓存，副作用再也不会发生
工具级重试不存在RETRY_MAX_ATTEMPTS 只作用于 LLM 客户端。不要因为 LLM 有重试就说工具层也有
工具级熔断不存在CircuitBreaker 只保护 LLM，不保护 ERP / MCP
并行工具调用不存在agents/base_agent.py 的工具循环是顺序 for；asyncio.gather 只用于上下文准备

这三条"不存在"由 tests/unit/test_tool_execution_reliability.py::TestAbsentToolLayerFeatures 断言其不存在 —— 补上它们会失败并要求同时补配置、文档与验证， 避免又出现一句无法验证的"工具层支持重试"。

证据状态

项状态原因
RAG 正式 649-query 指标NOT_VERIFIED，且当前不可测shipped gold 没有任何一条是人工相关度判定（是"同类别随机抽样"），另有 160 个 gold id 不在语料中。流水线完整，缺的是标注
真实 ERP 写操作（退款/改单）NOT_VERIFIED只在 tools/hitl_staging_tools.py 上验证了治理机制，不是金蝶 ERP 的正确性。无企业 staging 环境
生产集群 / 多副本长期稳定性 / K8s autoscaling / 跨区域NOT_VERIFIED无生产环境
生产 QPS / P95 / P99 / Token 成本 / 真实用户 FCR 与满意度NOT_MEASURED有 8 个 benchmark 脚本，但无 SLO 定义、无生产基线
真实 trace 后端（Jaeger / Tempo）NOT_VERIFIED已验证的 Collector 只有 debug exporter，无持久化、无查询 UI
Nginx 横向扩容NOT_VERIFIED多副本可渲染，但 upstream 分发到多副本未验证
MCP 真实第三方 serverNOT_VERIFIED适配器已进 main（默认关闭 / read-only-first），有 deterministic fake-server 契约测试；真实 server 的网络/鉴权/多副本/写工具未验证

默认关闭 / 明确不在边界内

项说明
HITL_ENABLED 默认 false需要显式开启 + 显式配规则
POST /api/chat 快路径无 run 上下文，明确不在 HITL 治理边界内。补偿措施是拒绝无治理的写操作
待审批主动通知只有轮询队列，没有 push / 邮件 / IM
MCP 写操作工具结构上不可能存在：只注册 risk_level=low 的 MCP 服务器
media/ 与 alerts/是 API 层集成，不是 Agent 可调用的工具。不要算进"工具生态"
LangGraph store 长期记忆compile() 只传 checkpointer；跨会话记忆由 core/session/ 承担，两者明确分离
LangSmith / Langfuse / OpenInference未集成。tracing 是手写 span，不是 LangChain-native
Kubernetes manifests没有。没有真实集群与多副本一致性验证的 K8s manifest 是装饰性声明，比没有更糟
Agent 行为回归评测（Agent Eval V1）已实现：真实编译图 + 脚本化 LLM（零出网）+ JSONL 用例集，测编排/治理/路由行为。不测模型能力。见 docs/reference/agent-evaluation.md
LLM-as-judge 语义质量未实现。agents/evaluator.py 是启发式关键词打分

没有做的技术选择（及理由）

写清楚不做什么和写清楚做了什么一样重要：

不做理由
interrupt_before / interrupt_after无法表达"只有 HIGH 风险工具才审批"这种数据相关条件
LangGraph 原生 astream / astream_events走自建 callback 总线。有代价：stream_callback 若作为 state channel 会破坏 checkpoint 序列化，生产已改走 ContextVar，但 core/state.py:19 的声明仍在
把同步快路径也异步化给秒级交互凭空加一跳延迟
把异步长任务也走同步审批可能挂几十分钟，HTTP 等不了；且崩溃 = 状态丢失
Celery result backend 作为真相源真相源是 agent_runs 表
Agent 之间自由对话本项目是受控编排（LangGraph 决定调谁），要可预测的成本与延迟

整改计划（按 P0/P1/P2 分类、含执行顺序与验收方式）： docs/reports/audit/PROJECT_FINALIZATION_PLAN.md

Roadmap

按「上线可信度 → 工程纵深 → 未来扩展」排序。完整规格与验收方式见 PROJECT_FINALIZATION_PLAN.md 与 production-readiness.md。

P0 — 上线前必须闭环（否则存在静默故障/安全边界缺口）

  • 监控序列化闭环：让 DLQ 告警规则真正可触发。 已完成 （GET /metrics + 多进程聚合 + 抓取凭据；真实 Prometheus 上告警实际 FIRING）。 剩余：Alertmanager 实际投递端到端、整套 compose 栈验证。
  • HITL 配置 fail-closed 已完成（启动校验 + side_effect 兜底）。
  • 未预期异常 ACK 掉滞留 run 已完成（runtime/executor.py：逃逸以触发 broker 重投的 raise 曾写在 contextlib.suppress 内部被吞掉，等于 ACK 了一个 没有待投递消息的 QUEUED/RETRYING run）。
  • 审批 TTL 过期分支的并发覆写 已完成（core/hitl/approval_service.py： 过期收敛曾是唯一一条非 CAS 写入，可把并发已 APPROVED 覆写成 EXPIRED， 让已批准的决策永远送不到工具）。
  • 生产凭据/证书/ERP/CORS：替换全部占位符，接入真实 TLS、金蝶 ERP 与 CORS_ORIGINS。
  • 告警可执行性契约测试 已完成 （tests/unit/test_metrics_exposure_contract.py 断言告警与 Grafana 引用的每个 指标名都可达；另有官方 promtool test rules）。

P1 — 工程纵深（让「企业级」从设计变成可验证）

  • 原生工具超时 已完成；仍待做：并行调用、工具级熔断与重试 （需先定义「读可重试、写不可重试」的边界）。
  • broker 投递语义核查 + 恢复闭环补齐 已完成（make runtime-delivery 真实 Redis broker + 真实 Celery worker 实测）：普通异常 / RetryPublicationError / 软硬超时全部 reject(requeue=False)——消息被丢弃、不重投；只有 worker 进程 被杀（WorkerLostError）才重投。恢复因此改为「数据库 AgentRun + beat 周期 reconciler」（新增独立 beat service），并把 attempt 预算闸门补到领取点。
  • 强制中止失去所有权的 worker Partial（本轮收紧，仍非 fencing token） —— owner CAS 仍只挡状态提交；在此之上补了两道：① 心跳 renewed is False 时 _FenceGuard 触发 _supervise_execution 取消正在执行的图任务并抛 ExecutionFenced，被取消的 worker 不写任何终态、不消耗 attempt；② ToolRegistry.set_execution_fence 让副作用工具在发起外部写之前只读复核 ownership（失败即 fail-closed），只读工具不受影响。 明确不宣称单调 fencing token（AgentRun 没有 token 列，判定是只读 SELECT COUNT(*)）；取消前已发出的外部调用无法回收；外部系统端到端 exactly-once NOT PROVIDED。详见 docs/limitations.md §3。
  • 覆盖 PENDING 滞留 run（两阶段入队在 mark_queued 前被杀会永久滞留）； beat 单点 HA；runtime 时间参数交叉校验（lease / visibility vs task time limit）； side-effect claim TTL 从硬编码变成配置项。
  • Grafana 面板真实渲染验证（指标输出已补齐，渲染未验证）。
  • 持久化 trace 后端（Jaeger / Tempo）接入，tracing 从本地验证升级为可查询。

P2 — 路线图（不在本次收尾范围）

Agent 行为评测 harness · LLM-as-judge · 坐席工作台/转人工闭环 · LangGraph store 长期记忆 · 真实 ERP 写操作验证 · RAG gold relevance 人工标注 · Kubernetes 部署与多副本一致性 · 压测与容量基线 · MCP 写操作工具 · 多 LLM 供应商容灾。

Project Structure

customer-service-ai-agent/
├── agents/         # 9 个 Agent 角色 + 质量评估器
├── core/           # 配置 / DI 容器 / 图构建 / 消息总线 / 监控 / 会话 / HITL / 追踪
├── runtime/        # 分布式 Agent Runtime（状态机 / thread 锁 / worker / 幂等 ledger / DLQ）
├── api/            # FastAPI 服务层（路由 / SSE / WebSocket / 中间件）
├── auth/           # JWT + Argon2id + Redis 黑名单 + 4 级 RBAC
├── router/         # 双层查询路由（LLM ∥ 规则 + 熔断器降级）
├── collaboration/  # 5 种协作模式 + 升级重试
├── rag/            # Qdrant + BM25 + RRF + 重排 + 查询改写
├── cache/          # 三层响应缓存（与 Tool Result Cache / Store 分离）
├── db/             # SQLAlchemy 模型 + Alembic 迁移
├── erp/            # 金蝶 ERP 适配器（Mock / Real + HMAC + 重试 + 分页）
├── tools/          # Function Calling 工具注册 + MCP 适配器
├── llm/            # LLM 客户端（重试 / 熔断 / FC / SSE / 连接池）+ 规则兜底
├── media/          # 多模态（图片 / 音频 / 视频 / 文档 / TTS）——API 层，非工具
├── deploy/         # 部署资产根（compose/ · nginx/ · loki/ · otel/）
├── monitoring/     # Prometheus + Grafana + Alertmanager
├── web/            # 前端（原生 JS + Vite 8 + Vitest）
├── tests/          # unit / integration / runtime / e2e / stress / eval
├── docs/           # 文档与 ADR
├── alembic/        # 数据库迁移脚本（7 个版本）
└── scripts/        # 运维 / 验证 / 评测脚本（51 个 Python + 5 shell）

完整目录说明见 docs/reference/project-structure.md。

Business Scenarios

场景Agent涉及能力
产品成分/功效咨询ProductAgentRAG + 查询改写 + BM25 混合检索
技术使用与故障排查TechAgentRAG + 多跳重排
账单与对账BillingAgentERP Function Calling
投诉与差评处理ComplaintAgentRAG + 会话记忆 + 情绪路由 + Hierarchical 编排
售前推荐SalesAgentRAG + 场景过滤
售后退换AftersalesAgent高风险 → HITL 审批（治理机制已实现，真实 ERP 写操作 NOT_VERIFIED）
复杂订单问题GeneralAgent + 协作模式Hierarchical 任务分解

Docs

我想知道…去哪
当前系统的真实状态（唯一入口）docs/reference/current-state.md
架构总览与状态归属docs/architecture.md
为什么这样设计（LangGraph / Human fallback / 不用裸 Chain）docs/agent-design.md
效果怎么衡量、测过什么docs/evaluation.md
能宣称到什么程度 / 上线还缺什么docs/production-readiness.md
怎么部署、配置为什么这么设docs/deployment.md
不宣称什么（最重要）docs/limitations.md
整改计划（P0/P1/P2）docs/reports/audit/PROJECT_FINALIZATION_PLAN.md
文档总索引docs/README.md
分布式 Runtime 设计（架构/幂等/崩溃恢复/取舍）docs/design/agent-runtime.md · ADR-009
HITL 审批治理docs/design/human-in-the-loop.md
RAG 方法论与评测口径（canonical）docs/reference/rag-evaluation.md
分布式 Runtime 运维 / DLQ 重放docs/operations/distributed-runtime-runbook.md
生产部署与上线前检查docs/operations/production-operations-guide.md · 检查清单
API 参考 / 配置项全表 / 测试指南docs/reference/
历史版本与审计快照docs/reports/（历史快照，非当前事实）

License

Apache 2.0.

企业级实践参考实现；生产环境所需凭据与基础设施不在本仓库内。

↑↓ navigate openesc close