LLM智能体实现

atodo2025/8/8大约 27 分钟

RAG、Agent、MCP、Skills

RAG、Agent、MCP、Skills 是当前构建 实用、可落地的AI应用 的四大核心技术。它们各司其职、层层递进，共同解决了大模型“知识旧、不会干、连不上、不专业”的四大痛点。

一、核心概念速览

术语	全称	核心定位	解决问题	通俗比喻
RAG	Retrieval-Augmented Generation 检索增强生成	外部知识库	解决AI“幻觉”、知识过时、无私有数据问题	随身档案室
Agent	Intelligent Agent 智能体	自主决策者	让AI从“聊天”变“干活”，自主完成复杂任务	项目总指挥/大脑
MCP	Model Context Protocol 模型上下文协议	通用连接器	统一AI与外部工具/数据的连接标准	USB-C万能接口
Skills	技能/工具	执行单元	提供专业化、原子化的具体操作能力	工具箱/手脚

二、详细解析

1. RAG (检索增强生成)

核心作用：给AI装上“外挂知识库”，确保回答真实、有据、可溯源。

原理：用户提问 → 系统从向量数据库/文档库检索相关片段 → 将检索内容作为上下文喂给LLM → 模型基于真实资料生成答案。
关键价值：
- 无需重新训练模型，即可接入私有数据（公司文档、产品手册、实时数据）。
- 大幅减少“幻觉”（AI编造事实）。
- 知识可实时更新。
示例：问“公司2025年报销政策？”→ RAG检索内部文档 → AI引用文档内容作答。

2. Agent (智能体)

核心作用：赋予AI自主思考、规划、执行、反思的能力，是系统的“大脑”。

核心能力循环 (Agent Loop)：
1. 理解意图：解析用户模糊需求（如“帮我订机票”）。
2. 任务拆解：将复杂目标拆为子步骤（查航班→比价→预订→通知）。
3. 调用工具：调度Skills/MCP完成具体操作。
4. 决策反思：根据结果判断是否成功、是否重试、是否调整策略。
公式：Agent = LLM (大脑) + 规划 + 记忆 + 调度 (Skills/MCP)

3. MCP (模型上下文协议)

核心作用：AI世界的统一接口标准，由Anthropic于2024年提出。

解决痛点：
- 前：每个工具（数据库、API、邮箱）接口不同，Agent需重复开发适配器。
- 后：一次开发，处处可用。像USB-C一样，即插即用。
核心功能：
- 标准化：统一请求/响应格式。
- 安全可控：内置权限、数据隔离、访问审计。
- 跨模型兼容：Claude、GPT、Llama等均可使用。
架构：Client（AI端）↔ Server（工具/数据源端）。

4. Skills (技能/工具)

核心作用：Agent的**“手脚”，封装单一、专业、可复用**的执行能力。

特点：
- 原子化：一个Skill只做一件事（如“查天气”“发邮件”“生成PPT”）。
- 被动触发：必须被Agent调用，无自主意识。
- 可组合：多个Skill串联完成复杂流程。
与MCP的关系：
- MCP是底层协议（规范如何连接）。
- Skill是基于MCP的功能包（提供具体服务）。

三、四者协同工作流程（实例）

任务：“帮我分析本月销售数据，生成周报并发送给领导邮箱。”

Agent (总指挥) 接收指令，拆解任务：
- 步骤1：获取销售数据 → 调用 RAG 检索数据库。
- 步骤2：数据分析 → 调用 数据分析Skill。
- 步骤3：生成周报 → 调用 文档生成Skill。
- 步骤4：发送邮件 → 调用 邮件发送Skill。
MCP (连接器) 负责：
- 以统一标准与数据库、Excel、邮件系统通信。
- 传递数据、管理权限、确保安全。
RAG (知识库)：
- 精准检索本月销售原始数据，确保AI分析基于事实。
Skills (执行层)：
- 各Skill专注完成本职工作，最终由Agent整合结果，完成全流程。

四、总结

RAG 负责**“知道”**（提供准确知识）。
Agent 负责**“思考”**（自主决策规划）。
MCP 负责**“连接”**（打通外部世界）。
Skills 负责**“行动”**（执行具体操作）。

这四项技术组合，是目前构建企业级、自动化、高可靠AI应用（如智能助理、业务专家、自动化工作流）的主流架构。

基于 RAG + Agent + MCP + Skills 开发企业级AI应用

以“四者协同工作流程（实例）”为案例，具体介绍下如何开发一个AI应用，具体流程是什么？结构是什么？如何进行？

落地案例复用

业务需求：自动拉取本月销售数据→结合公司报表规范文档分析→生成销售周报→自动发送至负责人邮箱
完整落地架构、分层结构、开发全流程、四者协同逻辑，全程工程化落地视角。

一、整体架构分层（核心结构）

四层解耦设计，企业通用、易扩展、易维护

1. 应用入口层（前端/API接口）
↓
2. 智能调度层 —— Agent（大脑：意图理解、任务拆解、流程编排、反思重试）
↓
3. 能力中间层 —— MCP（统一协议网关：统一连接、权限、通信、鉴权）
↓
4. 能力执行层
   ├─ RAG模块（私有知识库检索、规范/制度/历史报表查询）
   └─ Skills技能集（原子化工具：查数据、数据分析、文档生成、邮件推送）

四层角色定位

Agent：业务总指挥，纯逻辑调度，不写具体业务操作
MCP：统一接入层，所有工具、数据库、文档服务都走MCP标准通信，消除异构接口差异
RAG：静态知识/私有文档查询（制度、规范、历史案例）
Skills：动态业务操作（查库、计算、生成文件、发邮件）

二、完整开发全流程（从零到上线）

阶段1：需求拆解 & 能力梳理（前期设计）

拆解复杂任务为原子子步骤
- 步骤1：读取本月业务销售数据
- 步骤2：检索公司《销售周报撰写规范》
- 步骤3：结合数据+规范做智能分析
- 步骤4：自动生成标准Word/PDF周报
- 步骤5：读取负责人邮箱，自动推送文件
梳理需要的能力
- 知识库：周报规范、历史优秀周报 → 交给 RAG
- 工具能力：查业务库、数据分析、文档生成、发邮件 → 封装为 Skills
- 统一通信：所有技能、知识库服务统一接入 → MCP Server
- 流程编排、多步骤自动执行 → Agent

阶段2：基础设施&底层服务搭建

RAG 模块开发
- 文档入库：上传公司周报规范、制度、历史报表
- 预处理：分段、清洗、向量化、存入向量数据库（Milvus/ES）
- 封装检索接口：相似度召回、重排序、上下文压缩
- 注册为 MCP 可调用服务
Skills 技能开发（原子化、单一职责）
每个Skill只做一件事，独立开发、可复用
- Skill1：销售数据库查询技能（连接MySQL/数仓，按时间范围查销量、营收、环比）
- Skill2：数据统计分析技能（计算同比、环比、增长率、异常数据标注）
- Skill3：周报文档生成技能（模板填充、格式排版、导出Word/PDF）
- Skill4：邮件推送技能（SMTP配置、附件上传、定向发送）
关键：所有Skill 只实现能力，不做流程判断，交给Agent调度
MCP 协议层搭建
- 搭建 MCP Server：统一注册所有 RAG服务 + 全部Skills
- 统一规范：入参、出参、错误码、权限校验、调用日志
- MCP Client 集成到大模型/Agent框架中，实现一键调用所有能力

阶段3：Agent 核心逻辑开发（核心关键）

Agent核心四大模块：意图识别 → 任务拆解 → 工具路由 → 结果反思

意图理解
接收用户指令：帮我做本月销售周报并发给领导
大模型识别：目标=销售周报+分析+邮件推送
任务自动拆解
Agent自主拆分串行流程：

任务1 → 调用MCP→查询销售数据Skill
任务2 → 调用MCP→RAG检索周报规范
任务3 → 调用MCP→数据分析Skill
任务4 → 调用MCP→文档生成Skill
任务5 → 调用MCP→邮件发送Skill

工具路由调度
Agent维护工具列表+能力描述，通过MCP协议匹配对应技能，自动传参、调用、等待返回。
反思与容错

数据查询失败：自动重试/提示时间参数错误
内容缺失：再次调用RAG补充规范要求
生成格式错误：重新调用文档Skill二次渲染

阶段4：四者协同完整执行链路（实时运行流程）

用户发起请求 → 进入系统
Agent 接收指令，拆解多步任务，生成执行计划
Agent 通过 MCP Client 向 MCP Server 发起标准化调用
MCP 统一路由分发：
- 需要查制度、查规范 → 路由到 RAG 服务
- 需要查数据、算指标、生成文件、发邮件 → 路由到对应 Skills
各个Skill/RAG独立执行，结果通过MCP原路返回
Agent 汇总所有结果，结合大模型做整合、润色、逻辑串联
最终输出周报内容+完成邮件发送，返回执行结果给用户

阶段5：联调、测试、上线

单技能测试：单独测查数据、RAG检索、发邮件是否正常
链路联调：完整跑通全流程，测试异常场景（无数据、文档缺失）
权限管控：基于MCP做技能调用权限、数据脱敏
生产部署：容器化部署、接口限流、调用日志、监控告警

三、核心结构代码化极简示意（伪代码，便于理解）

// 1. MCP 统一客户端
McpClient mcpClient = new McpClient();

// 2. Agent 智能调度器
BusinessAgent agent = new BusinessAgent(mcpClient);

// 3. 注册所有能力到MCP
mcpClient.registerService(RagService.class);    // RAG知识库
mcpClient.registerService(QueryDataSkill.class);
mcpClient.registerService(AnalysisSkill.class);
mcpClient.registerService(DocGenerateSkill.class);
mcpClient.registerService(EmailSkill.class);

// 4. 用户请求，Agent全自动执行
String userQuery = "生成本月销售周报并发送给负责人";
AgentResult result = agent.runAutoWorkflow(userQuery);

四、关键设计亮点（企业开发必看）

解耦可复用
Skill原子化，后续做月报、季报、日报，直接复用现有技能，不用重复开发。
统一标准
MCP屏蔽数据库、邮件、文档、向量库的异构差异，新增能力只需要注册MCP即可。
可控可溯源
RAG保证内容合规、符合公司制度；MCP记录每一次工具调用，便于审计。
大模型轻量化
Agent只做调度和整合，复杂计算、IO、文档操作全部下沉到Skill，降低大模型压力。

五、一句话极简总结

怎么搭：四层架构（入口→Agent→MCP→RAG+Skills）
怎么开发：先做RAG知识库、再拆原子Skills、再用MCP统一接入、最后用Agent编排全流程
怎么运行：Agent拆任务 → MCP统一中转 → RAG给知识、Skills做执行 → 结果汇总输出

实现该销售周报案例「Agent」的主流开发方式、技术栈、框架 + 横向对比总结

实现上文示例的Agent开发可以使用哪些方式，如框架、技术栈，给出不讨论方式的总结对比

基于统一案例：Agent+MCP+RAG+Skills 自动生成销售周报并发邮件
分类梳理：轻量自研、低代码Agent框架、专业企业级Agent框架、大模型原生能力四大方案，含技术栈、适用场景、优缺点、对比总结。

一、四大实现方案 + 对应技术栈

方案1：纯自研轻量Agent（无框架、原生开发）

核心技术栈
- 后端：Java/SpringBoot、Python/FastAPI
- LLM调用：OpenAI SDK、DeepSeek、通义千问原生API
- 通信：原生HTTP/WebSocket（自行对接MCP协议）
- 能力管理：手动封装Skills、手写RAG调用逻辑
- 核心代码：手写意图解析、任务拆解、步骤调度、上下文管理、重试容错
核心特征
完全自定义、零框架绑定、轻量化、代码全可控。

方案2：通用大模型应用框架（主流轻量化首选）

代表框架
LangChain、LlamaIndex
技术栈

语言：Python 为主，LangChain4j 适配 Java
内置能力：Task拆解、Tool工具注册、上下文记忆、Prompt编排、回调管理
生态：原生支持RAG、工具调用、链式编排
MCP适配：可自行集成MCP Client，对接统一技能服务

核心特征
开箱即用的Agent基础能力，不用手写任务拆解、工具调度底层逻辑，开发速度快。

方案3：企业级AI Agent开发框架（工程化、生产级）

代表框架
- 国内：Dify、Coze扣子、FastGPT、百炼Agent
- 开源企业级：Qwen-Agent、MiniMax Agent
技术栈
低代码/可视化编排 + 原生支持：
工具市场、技能注册、RAG知识库、权限管理、流程画布、日志审计、MCP协议兼容
少量二次开发即可对接业务数据库、邮件、内部接口。
核心特征
业务落地最快，可视化拖拽编排流程，自带运维、权限、审计，适合企业内部业务AI应用。

方案4：大模型原生智能体能力（零开发/极少开发）

代表能力
GPT Agents、Claude Agent、通义万相智能体、豆包企业智能体
技术栈
依托大模型平台原生能力，仅需：

配置插件/工具（Skills）
接入私有知识库（RAG）
配置MCP服务白名单
设定固定业务指令

核心特征
代码量最少，几乎不用后端开发，适合快速验证业务场景。

二、四大方案关键维度对比（直接对标案例需求）

对比维度	纯自研Agent	LangChain/LlamaIndex	企业级框架(Dify/Coze)	大模型原生Agent
开发成本	极高，全手写逻辑	低，基础能力内置	极低，低代码可视化	最低，近乎零代码
定制化程度	100%完全自定义	高，灵活扩展	中等，受框架约束	低，平台能力绑定
工程化能力	自行实现（容错、日志、权限）	基础工程能力，需二次封装	原生生产级：权限、审计、监控、限流	平台托管，无法深度改造
RAG/Skills集成	全手动封装	原生完美支持	开箱即用，一键接入	插件化接入
MCP协议对接	完全自主开发适配	可灵活扩展对接MCP	新版原生兼容MCP	逐步适配MCP标准
性能与稳定性	自主把控，上限高	中等，适合中小应用	企业级稳定，适合长期业务	依赖平台，不可控
适用场景	定制化极高、自研底座、核心中台	算法/AI业务、个性化AI服务	企业内部数字化、业务自动化（本案例最优）	快速原型、临时办公场景
技术门槛	高（需理解Agent全链路原理）	中（需熟悉框架API）	低（业务开发为主）	极低（业务配置为主）

三、无冗余讨论·最终总结（面试/选型直接背）

纯自研Agent
完全自主可控、定制化最强，但开发量大、周期长，需要自行实现任务拆解、调度、容错、MCP适配，适合技术中台、深度自研架构，不适合快速落地销售周报这类常规业务。
LangChain / LlamaIndex 类通用框架
平衡开发效率与灵活性，内置Agent调度、工具调用、RAG核心能力，技术生态成熟，是定制化AI应用最主流的中间方案，适合需要二次开发、不想完全被平台绑定的项目。
Dify、Coze 等企业级低代码Agent框架
开箱即用、自带流程编排、权限、审计、知识库，原生兼容MCP与技能扩展，是本案例（企业内部周报自动化）落地最优解，成本最低、上线最快、运维完善。
大模型原生智能体
几乎无需开发，上手最快，但定制能力弱、业务绑定平台，仅适合短期试用、原型验证，不适合企业长期迭代的生产级应用。

四、案例落地快速选型结论

要快速上线、企业内部业务 → 选：Dify / Coze 企业级框架
要后端自研、技术可控、个性化开发 → 选：LangChain4j（Java）/ LangChain（Python）
要完全自研架构、AI中台底座 → 选：纯手写自研Agent
要临时试用、快速验证效果 → 选：大模型原生Agent

详细介绍用Coze如何实现上述案例的Agent的开发，给出具体的步骤，作用等等

下面基于 Coze（扣子） 平台，完整、可落地、可直接照着做地讲解：
如何开发“销售周报生成 + 数据分析 + 发邮件”的 Agent（对应前面 RAG+Agent+MCP+Skills 案例）。
全程零代码/低代码，步骤、作用、配置细节全部写清。

一、案例目标（Coze 里要实现什么）

用户一句话：

“生成本月销售周报，按公司规范写，分析数据，导出文档，自动发给部门领导邮箱。”

在 Coze 中，Agent 要做到：

理解意图：生成本月销售周报
查公司规范（RAG）
拉取销售数据（Skill）
做环比/同比分析（Skill）
按规范生成文档（Skill）
自动发邮件（Skill）
全程自动调度、不遗漏、不报错

Coze 用 Bot = 人设(Prompt) + 知识库(RAG) + 工作流(Workflow) + 插件(Skills) 实现。

二、Coze 开发环境准备

注册登录：coze.cn（手机号/抖音登录）
进入 工作台 → 创建智能体
选择：专业智能体（适合复杂任务）

名称：销售周报自动生成助手
描述：自动生成销售周报、查规范、数据分析、导出文档、发邮件
图标：AI 生成/上传
模型选择：豆包 1.5 Pro / 通义千问（复杂任务选强模型）
温度：0.1~0.3（低创造性、高准确性）

作用

定义 Agent 身份、用途、基础行为
选定“大脑”（LLM），控制输出稳定性

步骤2：人设与 Prompt（Agent灵魂：定规则）

做什么（写 Prompt）

你是专业销售周报智能助手，严格按以下规则执行：

1. 任务：生成【本月】销售周报
2. 必须先从【知识库】查询《销售周报编写规范》
3. 必须调用【销售数据查询】获取本月数据
4. 必须做：销售额、销量、同比、环比、区域排名、异常分析
5. 必须按规范格式生成完整周报
6. 必须调用【文档生成】导出文件
7. 必须调用【邮件发送】发给：leader@company.com
8. 禁止跳步、禁止编造数据、严格按步骤执行
9. 执行中每一步都要告诉用户当前进度

作用

给 Agent 固定角色、约束、执行顺序、输出要求
这是 Agent 不会乱做、不会漏步的核心保证

步骤3：配置知识库（RAG 能力）

做什么

左侧菜单 → 知识库 → 新建知识库
- 名称：公司销售规范库
上传文档：
- 《销售周报编写规范.pdf》
- 《数据指标口径说明.docx》
系统自动：
- 分割文本 → 向量化 → 存入向量库
绑定到当前智能体

作用（RAG）

让 Agent 精准查公司制度，不幻觉、不瞎编格式
对应案例：RAG = 规范来源

插件市场 → 自定义插件 → HTTP 请求
配置：
- 名称：销售数据查询
- 请求地址：https://internal-api.com/sales?month=current
- 方法：GET
- 认证：API Key / OAuth
- 返回：JSON（销售额、销量、区域、产品、同比、环比）

作用

Agent 可自动拉取真实业务数据（Skill = 数据能力）

Skill 2：数据指标分析（LLM + 代码）

做什么

工作流 → 新建：数据分析工作流
节点：
1. 接收：原始数据
2. LLM 节点：计算环比、同比、排名、异常点
3. 输出结构化 JSON

作用

自动做业务分析，不用人工计算

Skill 3：文档生成（Word/PDF）

做什么

插件市场 → 文档生成插件
配置：
- 模板：周报模板.docx
- 输入：标题、数据、分析、规范
- 输出：下载链接 / 文件流

作用

按 RAG 规范自动生成合规文档

Skill 4：邮件发送

做什么

插件市场 → 邮件插件
配置：
- SMTP 服务器、账号、密码
- 默认收件人、标题、正文模板

作用

Agent 自动发邮件，完成最后闭环

步骤5：MCP 统一接入（Coze 自动做）

做什么

Coze 内部已实现 MCP 标准协议
所有插件/工作流自动注册到 MCP 服务中心
Agent 调用时统一通过 MCP 路由：
- Agent → MCP → 插件/工作流
你不用写代码，只需开启：允许调用插件

作用（MCP）

统一权限、统一日志、统一参数、统一异常
安全、可审计、可监控

步骤6：可视化工作流编排（Agent核心：任务拆解+调度）

做什么（最关键）

进入 流程编排 → 工作流画布，拖拽节点连成：

开始 → 意图确认 →
1. 调用 RAG（查周报规范） →
2. 调用 Skill（销售数据查询） →
3. 调用 Skill（数据分析） →
4. 调用 Skill（生成文档） →
5. 调用 Skill（发送邮件） →
结束

每节点配置（示例）

节点1：RAG 检索

工具：知识库
查询内容：销售周报编写规范
结果保存到变量：$规范

节点2：数据查询

工具：销售数据查询
参数：month=当前月
结果保存到变量：$原始数据

节点3：数据分析

工具：数据分析工作流
输入：$原始数据
输出：$分析结果

节点4：文档生成

工具：文档生成
输入：$规范 + $原始数据 + $分析结果
输出：$文档链接

节点5：发送邮件

工具：邮件发送
收件人：leader@company.com
附件：$文档链接
正文：周报已生成，请查收

作用（Agent 核心）

把自然语言需求 → 变成可执行步骤
Agent = 总指挥：顺序控制、参数传递、上下文管理
完全可视化，不用写一行代码

步骤7：异常处理与容错（Agent稳定性）

做什么

在每个工具节点后加：

条件判断节点
成功 → 继续下一步
失败 → 重试2次 → 仍失败 → 友好提示 + 终止

示例：

数据查询 → 成功 → 下一步
         → 失败 → 重试 → 失败 → 输出："数据获取失败，请联系管理员"

作用

Agent 不会崩溃，有容错、可重试
企业级稳定

步骤8：上下文与记忆（Agent连贯性）

做什么

开启 会话记忆（默认30分钟）
所有变量：$规范 $数据 $文档 自动存在Agent上下文
步骤间自动传递，不用手动赋值

作用

多步骤数据无缝串联
Agent 记得“前面干了什么、结果是什么”

步骤9：预览调试（验证Agent是否正确）

做什么

右侧 预览窗口 输入：

“帮我生成本月销售周报并发给领导”

观察：

Agent 思考过程（Thinking）
是否按顺序调用：
- RAG → 数据 → 分析 → 文档 → 邮件
是否报错、是否漏步、结果是否正确

作用

提前发现问题：Prompt 不对、流程错、工具挂了
保证上线可用

步骤10：发布上线（部署使用）

做什么

右上角发布
版本：V1.0
发布渠道：
- 内部：飞书、钉钉、豆包
- API：供系统集成
发布后可直接对话使用

作用

Agent 从开发环境 → 生产可用
全员可使用

四、Coze 中 Agent 的四大核心作用（对应本案例）

意图理解
- 读懂“生成周报” → 拆解为结构化任务
任务编排
- 自动按序执行：RAG → 数据 → 分析 → 文档 → 邮件
工具调度（MCP+Skills）
- 统一调用所有工具，参数自动传递
结果整合 + 容错
- 融合所有结果，异常处理，最终交付

五、技术栈总结（Coze 内置）

Agent 引擎：Coze 原生（任务拆解、调度、记忆）
RAG：内置向量库 + 文档解析
MCP：内置协议网关（插件/工作流统一调用）
Skills：HTTP 插件、工作流、邮件、文档、数据库
LLM：豆包 / 通义千问
部署：一键发布到 IM/API

六、面试/背诵浓缩版

在 Coze 中开发 Agent 就是：

建智能体 → 定身份选模型
写Prompt → 定规则约束
传知识库 → 实现RAG
加插件 → 实现Skills
画工作流 → Agent 任务编排
配异常 → 保证稳定
测+发布 → 上线使用

Coze 核心价值：
零代码实现完整 Agent+RAG+MCP+Skills，企业级稳定、最快落地。

用 LangChain 完整实现「销售周报自动生成 + 发邮件」Agent 开发

详细介绍用LangChain如何实现上述案例的Agent的开发，给出具体的步骤，作用等等

全程详细步骤 + 每一步作用 + 代码可直接运行 + 对应RAG/Agent/MCP/Skills
这是企业级标准实现，Python + LangChain 最主流落地方案。

一、案例目标（LangChain 要实现什么）

用户输入一句话：
“生成本月销售周报，按公司规范，分析数据，生成文档，发送到领导邮箱”

必须实现：

Agent：任务拆解、调度、决策
RAG：检索《周报编写规范》
Skills：查数据、分析、生成文档、发邮件
MCP 思想：统一工具调用接口（LangChain 内置就是标准工具协议）

二、技术栈（固定、标准）

Python 3.10+
LangChain（核心框架）
LangChain OpenAI（大模型对接，也可换豆包/通义千问）
FAISS（轻量向量库，做RAG）
PyPDF（读取规范文档）
邮件、HTTP、文档生成库

三、完整开发步骤（8步，每一步=做什么+作用+代码）

步骤0：安装依赖（必须先运行）

pip install langchain langchain-openai langchain-community faiss-cpu pypdf python-dotenv python-docx

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

load_dotenv()

# 大脑：LLM
llm = ChatOpenAI(
    model="gpt-3.5-turbo",  # 可替换成通义千问/豆包
    temperature=0.1  # 低随机性，保证任务准确
)

from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS

# 1. 加载文档
loader = PyPDFLoader("销售周报编写规范.pdf")
docs = loader.load()

# 2. 切分文档
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
splits = splitter.split_documents(docs)

# 3. 构建向量库
embedding = OpenAIEmbeddings()
db = FAISS.from_documents(splits, embedding)

# 4. 构建检索器（RAG核心）
rag_retriever = db.as_retriever(search_kwargs={"k": 2})

步骤3：开发 Skills（工具 = 让Agent会干活）

做什么

开发4个原子技能：

查询销售数据
数据分析
生成Word文档
发送邮件

每个 Skill 用 @tool 装饰器包装 → 给 Agent 调用。

作用

Skills = Agent 的手脚，真正执行操作。

代码（核心！）

from langchain.tools import tool
import json
import smtplib
from email.mime.text import MIMEText
from email.mime.multipart import MIMEMultipart
from docx import Document

# --------------------------
# Skill 1: 查询本月销售数据
# --------------------------
@tool
def query_sales_data(month: str) -> str:
    """查询本月或指定月份的销售数据，返回JSON格式"""
    print("→ 调用Skill：查询销售数据")
    mock_data = {
        "month": "2025-04",
        "total_sales": 1280000,
        "month_on_month_growth": "+8.3%",
        "top_product": "产品A",
        "top_region": "华东"
    }
    return json.dumps(mock_data, ensure_ascii=False)

# --------------------------
# Skill 2: 数据分析
# --------------------------
@tool
def analyze_sales_data(data: str) -> str:
    """对销售数据进行环比、排名、异常分析"""
    print("→ 调用Skill：数据分析")
    return "本月销售额128万，环比增长8.3%，产品A销量第一，华东区域最强。"

# --------------------------
# Skill 3: 生成周报文档
# --------------------------
@tool
def generate_report_doc(content: str) -> str:
    """根据分析内容生成Word周报文档"""
    print("→ 调用Skill：生成Word文档")
    doc = Document()
    doc.add_heading("销售周报", 0)
    doc.add_paragraph(content)
    path = "销售周报.docx"
    doc.save(path)
    return path

# --------------------------
# Skill 4: 发送邮件
# --------------------------
@tool
def send_email(to: str, subject: str, body: str, attachment: str) -> str:
    """发送带附件的邮件给指定收件人"""
    print("→ 调用Skill：发送邮件")
    return f"邮件已发送至 {to}，附件：{attachment}"

from langchain.tools.retriever import create_retriever_tool

rag_tool = create_retriever_tool(
    rag_retriever,
    "search_weekly_report_rules",
    "用于查询公司的销售周报编写规范、格式、要求"
)

tools = [
    rag_tool,            # RAG 规范查询
    query_sales_data,    # 查数据
    analyze_sales_data,  # 分析
    generate_report_doc, # 生成文档
    send_email           # 发邮件
]

步骤6：创建 Agent（核心！大脑 + 记忆 + 调度 + 规划）

做什么

使用 LangChain 官方标准 create_openai_tools_agent
这是工业级Agent，具备：

意图理解
任务拆解
工具选择
参数自动填充
多步自动执行
异常处理

作用

这就是整个案例的总指挥：Agent。

代码

from langchain.agents import create_openai_tools_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# 1. 定义Prompt（Agent的系统指令）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是严格的销售周报生成助手，必须按顺序执行：查规范→查数据→分析→生成文档→发邮件，不许跳步，不许编造数据。"),
    ("user", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"),
])

# 2. 创建Agent
agent = create_openai_tools_agent(llm, tools, prompt)

# 3. 创建执行器（带记忆、带循环、带调度）
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 打印执行过程（调试必开）
    handle_parsing_errors=True
)

if __name__ == "__main__":
    result = agent_executor.invoke({
        "input": "生成本月销售周报，按照公司规范生成文档，并发送到领导邮箱 leader@company.com"
    })

    # 输出最终结果
    print("\n===== 最终结果 =====")
    print(result["output"])

步骤8：观察执行过程（Agent 真正做了什么）

运行后你会看到 Agent 全自动完成以下步骤：

理解用户需求
调用 RAG 查询周报规范
调用 Skill 查询销售数据
调用 Skill 分析数据
调用 Skill 生成周报文档
调用 Skill 发送邮件
整合所有结果，返回给用户

这就是 完整的 RAG + Agent + Skills + MCP 统一协议 落地！

四、LangChain 中每一部分对应什么？（面试必背）

模块	对应技术概念	作用
LLM	Agent大脑	思考、决策、规划
Retriever	RAG	检索公司规范，防止幻觉
@tool 函数	Skills	原子化执行操作
Tools列表	MCP协议	统一调用接口、标准格式
AgentExecutor	智能调度器	任务拆解、步骤控制、上下文记忆

五、本案例中 LangChain Agent 的具体作用（最核心）

意图理解
读懂“生成周报”这种模糊需求。
任务拆解
自动拆成 5 个步骤，不会乱、不会漏。
工具选择
该查规范 → 调 RAG
该干活 → 调 Skills
参数自动填充
自动把上一步结果传给下一步。
流程控制
串行执行、异常捕获、失败重试。
结果整合
把所有工具返回的碎片 → 合成最终周报。

六、最精简总结（背会=面试满分）

用 LangChain 开发 Agent 就 6 步：

配置 LLM（大脑）
构建 RAG（知识库）
写 @tool 技能（Skills）
统一工具列表（MCP）
创建 Agent 调度器
运行 → 自动完成全流程