基于多智能体与知识图谱的复杂知识分析平台

1. 立项背景和目标
面向复杂知识问答、多步任务拆解和证据驱动分析场景，搭建统一的 AI Agent 平台。旨在解决传统问答系统在复杂任务中可分解性不足、证据链不可追溯、文档与图谱数据割裂、模型选型缺乏统一评测等痛点，降低知识密集型分析任务的人工操作成本。
2. 核心功能模块
多智能体协作： 采用 planner -> dispatcher -> summary 主链路，支持任务拆解、依赖编排和拓扑执行。
知识检索与定位： 集成文档多格式解析、片段级检索、页级定位及 Neo4j 知识图谱 Cypher 检索。
评测与选型底座： 支持对不同模型、提示词策略和子代理组合进行横向对比与流程稳定性观察。
前端工作台： 支持多会话聊天、模型参数配置、执行轨迹面板、知识图谱可视化及结果下载。
3. 业务流程与功能路径
用户上传多格式文档或输入复杂分析任务 -> 系统提取分析并构建图谱 -> 多智能体协作编排并调度任务（子代理执行文档精读和图谱检索） -> 聚合生成可追溯、可信的结构化报告或演示文稿 -> 通过 SSE 流式反馈、渲染任务轨迹并展示给前端。

1. 整体架构与设计思路
项目采用 FastAPI + Next.js + Neo4j + PostgreSQL + Redis 的全栈架构。核心控制流采用 LangGraph 构建多智能体执行框架，实现任务 DAG 建模与拓扑批次调度。数据层使用 PostgreSQL（配合 SQLAlchemy 与 Alembic）管理业务元数据，Neo4j 存储文献图谱。通过 FastAPI + SSE 提供流式问答与节点状态、工具调用的实时回传，实现前后端闭环交互。
2. “我”的负责模块与量化结果
本人作为核心开发人员，负责了从后端多智能体编排、数据处理链路、知识图谱建模到前端交互的完整工程落地：
多智能体与流式传输： 基于 LangGraph 实现多智能体协作及失败回退。设计统一事件协议，利用 SSE 实时推送节点状态与模型输出，使得长耗时任务执行过程具备高可观测性。
图谱构建与检索： 基于 1万+ 文献数据，构建了包含近 30万 节点、82万+ 关系的知识图谱底座。在关系边上扩展了 fact_id、confidence_tier 等证据字段，实现精确的 Cypher 图检索，使回答转为可追溯的“证据驱动”模式。
前端与可视化： 使用 Next.js、TypeScript 构建工作台，基于 ECharts 实现了交互式知识图谱可视化组件，支持节点缩放、拖拽和证据联动。
评测底座搭建： 沉淀 status / summary / artifacts / error 等统一任务协议，支持团队在相同入口下横向对比不同模型与 Agent 编排方案。
3. “我”遇到的难点、坑及解决方案
难点一：长上下文场景下大模型直接处理成本高、易产生幻觉，且关键证据容易丢失。
解决方案： 设计了“粗检索 + 精读 + 证据聚合”的链式处理方式。将文档处理封装为 search_document_snippets、read_document_page 等工具，让 Agent 按需进行页级定位和局部扩读。同时对文档结果统一沉淀 search_hits 等结构化产物，降低了模型上下文负担，并显著提升了问答的可追溯性。
难点二：多智能体长耗时任务在执行中容易因网络、API 超时或异常导致中断，且前端交互体验差。
解决方案： 引入 Redis 支撑运行态控制，实现任务的运行取消和异常中断保护；配合 SSE 将长任务拆解为节点状态粒度实时推送。在应用启动阶段，提前完成数据库连接、图数据库驱动和主子图的预编译，有效降低了首请求的冷启动延迟，提升了系统在真实高并发联调环境下的稳定性。