AI 小灵 · 多 Agent 内容生产平台

面向「日清模式」生鲜连锁的高频内容自动化平台。用户提交一个创作需求，平台自动编排四个角色 Agent 协作完成，发布前必须人工确认。

项目故事稿（可背诵版）

用法：先背 30 秒版（自我介绍用）→ 再背 5 分钟版（项目深挖用）→ 追问版是「弹药库」，被问到就调出来。背的是框架和关键词，面试时用口语讲。

30 秒版（一句话介绍）

我在钱大妈主导了一个叫 AI 小灵 的多 Agent 内容生产平台，从 0 到 1 全栈交付：前端三端（Web/App/小程序）+ Python 后端 + LangGraph 编排引擎。用户提交一个创作需求，平台自动编排研究→撰写→审核→发布四个角色 Agent 协作完成，审核不合格自动回写重写，发布前必须人工确认。目前覆盖 29 个生鲜场景，内容生产周期从 4 小时降到 30 分钟，支撑 1000+ 门店并发，日均处理 5 万+ 任务。

5 分钟版（项目深挖主稿）

第 1 段 · 业务背景（为什么做）：钱大妈是日清模式生鲜连锁——当日到货当日清、不卖隔夜菜。门店每天要产出大量高频内容：今日鲜到货文案、晚市清货倒计时、最后 X 份紧迫感推送、社群日更……以前全是门店/运营人工写，效率低、质量不稳定、且每个门店水平不一。

第 2 段 · 方案与架构（怎么做）：核心思路是多角色流水线——研究（真实搜索抓素材）、撰写（成稿）、审核（打分纠错）、发布（生成发布计划），最后发布动作必须人工确认（HITL）。技术上分三层：前端 Next.js 一套代码基座三端交付；编排层 Python FastAPI + LangGraph 把流水线建模成状态图；能力层 MCP 工具 + RAG 知识库。

第 3 段 · 核心难点（讲 2 个即可）：

1. 动态分流，新场景零改图：门店场景多（晚市清货/直播脚本/客服话术/经营日报），每个场景写一套流程代码维护不动。方案是维护任务类型注册表——每种类型声明 target 入口和节点执行序列；图里只有一个 Supervisor 动态分流，按 target 查注册表拿到 pipeline 通用路由执行。新增场景只加一条配置，图代码零改动。
2. 质量与安全三层保障：审核循环（审核 Agent 打分，不合格回写重写 ≤3 轮，超限转人工）；可溯源（正文带 [来源N] 标记，审核校验引用序号和事实一致性）；密钥安全（MCP 密钥 Fernet 对称加密落库，运行时解密注入）。

第 4 段 · 量化结果：覆盖 29 个生鲜场景，内容生产周期 4h → 30min（↓87.5%），支撑 1000+ 门店并发、API 响应 <2s，日均处理 5 万+ 任务；全程 130+ 测试用例（TDD），已部署生产。

第 5 段 · 我的角色：从 0 到 1 的全栈主导——前端三端、B 端管理后台、AI 编排引擎的架构设计都是我来定。

追问弹药库（精选）

Q1：为什么用 LangGraph 而不用 LangChain Agent？

因为我要的是结构化、可编排的多流程，不是自由对话。29 种场景看着多，但图的节点集合是固定的（研究/撰写/审核/发布/视频生成/人工升级），每个场景只是声明一条 pipeline。LangGraph 把流程建模成显式状态图，节点边都可见、可调试、可回放；LangChain Agent 是「思考→行动」循环，路径由模型自由发挥不可控。另外 LangGraph 原生支持 checkpoint 持久化 + interrupt 中断，直接支撑 HITL——这是决定性理由。

Q2：为什么不用 Coze / Dify，选择自研？（真试过 Dify）

我们真试过 Dify，搭了 Demo 跑流程，最后放弃，是定位不匹配：

1. 编排粒度不够——需要审核循环回写（≤3 轮）+ 条件分支 + 超限转人工这类控制流，Dify 工作流偏节点拼装，循环和中断很别扭；
2. 黑盒不可观测——要求 append-only 事件日志、全链路可回放，平台内部状态不可见不可导出；
3. HITL 审批难定制——发布前人工确认 + 审批后中断恢复，平台不开放底层；
4. 数据合规——门店数据和 MCP 密钥要私有化不出内网，平台托管有合规风险；
5. 深度集成——要接自有三端 + B 端 + 企业知识库 + 自有 MCP 工具，平台 API 相对封闭。

Q3：审核循环 3 轮具体怎么实现？

图的条件边：审核节点输出 score 和 passed，条件边判断——passed 走发布；没过且轮次 <3 回写撰写节点；轮次到 3 走 review_escalate 转人工。轮次存图的共享状态，每次回写加一。3 轮是经验值：多数问题 1-2 轮修好，3 轮以上大概率是需求理解偏差，继续让模型改边际收益低。

Q4：HITL 中断后状态怎么恢复？

用 LangGraph 的 interrupt + checkpointer。发布节点执行前 interrupt 挂起图，生成待审批记录；审批通过 resume 恢复，图从 checkpoint 继续。状态已持久化，即使进程重启也能恢复。

Q5：防幻觉具体做了哪些？

四层：① 引用溯源——只允许写 research 素材里存在的事实，正文必须带 [来源N]；② 审核校验——核对引用序号是否越界、被引用内容和素材是否一致；③ 提示约束——素材没覆盖的信息必须标「存疑/待核实」；④ HITL 兜底——发布前人工确认。

Q6：任务并发和稳定性怎么保证？

三件事：① 业务存储用 MySQL 连接池，多连接真并行，解决单连接非线程安全；② 任务创建做幂等，防重复提交；③ LLM 瞬时错误重试 + 指数退避，工具不可用降级 Mock，保证流程跑完。事件日志 append-only，任何时刻都能重建任务全过程。

Q7：如果流量翻 10 倍怎么办？

三层应对：① LLM 是最大瓶颈——多模型路由降级、相似请求缓存、模型档位区分轻重任务；② 执行链路异步化——入队即返回、worker 异步消费；③ 存储层——读写分离、事件日志归档、热点配置进 Redis。

快速记忆卡