GlowLink：多 Agent 社媒获客系统
一个出海 SaaS 品牌的 AI Agent Demo，覆盖「内容生产 → 社媒运营 → 销售转化」全链路自动化。技术栈：LangGraph + RAG 混合检索 + MCP 跨进程工具调用。
架构总览
核心设计：Supervisor 路由模式——一个「领导」带三个「兵」，每个 Agent 执行后必须返回 Supervisor 判断是否结束。工具权限隔离：ContentAgent 不调 CRM，SalesAgent 不调搜索。
技术选型
| 技术决策 | 选定方案 | 为什么选这个 |
|---|---|---|
| LLM | DeepSeek (deepseek-chat) | 国内直连，成本低，支持 Function Calling |
| Agent 框架 | LangChain + LangGraph | StateGraph 可视化编排，条件边实现动态路由 |
| Agent 模式 | Supervisor 路由 | 路由可控，出问题可精确归因 |
| Embedding | BAAI/bge-small-zh-v1.5 | 本地离线，中文效果好，CPU 可跑 |
| 向量库 | Chroma（内存模式） | 轻量级，无需 Docker |
| Reranker | BAAI/bge-reranker-base | CrossEncoder 精排 Top-3 |
| 混合检索 | BM25 + 向量，权重 4:6 | 关键词 + 语义互补 |
| 工具调用(进程内) | LangChain @tool | RAG 和 CRM 工具 |
| 工具调用(跨进程) | MCP | 搜索工具走标准协议，展示解耦能力 |
| UI | Streamlit | 极简，链路可追踪 |
核心亮点
1. RAG 混合检索 + 重排序
不是简单的「调 API 查向量库」，而是一个三层漏斗：
- BM25 关键词检索（权重 0.4）：精准命中「$49」「试用期」等专有名词
- 向量语义检索（权重 0.6）：理解「怎么收费」和「定价」是同一回事
- BGE Reranker 重排序：Top-10 候选逐个 CrossEncoder 打分，精排取 Top-3
- 引用溯源：每条回答附带来源文件名
2. 双层记忆机制
| 记忆层 | 实现方式 | 作用 |
|---|---|---|
| short_term_memory | LangGraph messages 字段，add_messages reducer | 跨轮对话：第二轮能引用第一轮提到的信息 |
| cross_agent_memory | 每个 Agent 执行后写入 150 字摘要 | 跨 Agent 共享：SalesAgent 知道 ContentAgent 写了什么帖子 |
3. 工具权限隔离
| Tool | ContentAgent | SocialAgent | SalesAgent |
|---|---|---|---|
| get_knowledge (RAG) | ✅ | ✅ | ✅ |
| search_web (MCP) | ✅ | ❌ | ❌ |
| save_to_crm (CRM) | ❌ | ❌ | ✅ |
ContentAgent 不应调 CRM（写帖子时不该顺手录客户），SalesAgent 不应调搜索（回答价格不需要搜行业趋势）。权限隔离防止 Agent「越权操作」，是企业级 Agent 系统的关键设计。
4. 评测体系（有数据 + 有归因 + 有回归）
- 3 个测试 Case 覆盖内容生成、线索识别、RAG 溯源
- 失败归因：路由错误 / 检索失败 / 生成偏差 / 工具未调用
- 回归测试：对比历史结果，追踪改进效果
两个值得讲的「坑」
坑 1：向量检索搜不到「$49」
用户问「多少钱」，向量检索返回的是「定价灵活」「性价比高」等泛泛描述，而不是包含「$49/月」的段落。
原因：Embedding 模型对数字和符号的语义编码不够强，「多少钱」和「$49」在向量空间中距离较远。
解法：引入 BM25 关键词检索做补充。BM25 基于词频匹配，对「$49」「14 天」「Instagram」等关键词命中精准。混合权重 BM25:向量 = 4:6，关键词为辅、语义为主。
坑 2：Agent 编造不存在的数据
ContentAgent 在写帖子时，会编造「GlowLink 支持 TikTok 自动发布」等功能，这些在知识库中并不存在。
解法：在每个 Agent 的 System Prompt 中加入防幻觉规则——「价格、功能、数据类信息必须来自 RAG 返回结果」「如果 RAG 没搜到，明确说暂时无法确认，禁止编造」。
技术决策速查
项目信息
- 类型：Demo / 概念验证
- 源码：GitHub
- 开发方式：全程 AI 编程工具（CodeBuddy）辅助，遵循 AI Engineering Loop
- 技术栈：Python / LangChain + LangGraph / Chroma / Streamlit / DeepSeek / MCP