独立开发：基于 LangGraph + DeepSeek 的 AI Agent 图书管理系统（附 RAG 知识库 + NL2SQL）

基于 LangGraph 编排框架 + DeepSeek V4 Pro，封装 16 个 Function Calling 工具，实现了一个能用自然语言对话操作全部业务的 AI Agent 系统。后端 Spring Boot、前端 Vue3、向量库 Milvus、嵌入模型 BGE-M3，六个微服务独立开发。

---

项目名片

维度	详情
项目类型	全栈独立开发（从需求到部署）
开发周期	2026.06 — 2026.08（约两个月）
代码规模	60 个源码文件，Java / Python / Vue3 三语言
架构	前后端分离 + 微服务（6 个独立服务）
数据库	MySQL 8.0，4 张核心表，外键关联，27 本种子图书
核心亮点	AI Agent 对话操作、本地 RAG 知识库、NL2SQL 智能统计

---

一、系统能做什么

这不是一个传统的"增删改查"系统。你可以直接在聊天框里用自然语言操作：

“帮我查一下三体还有几本可借”
→ Agent 自动调 search_books → 返回库存信息

“帮张伟借一本算法导论，借 15 天”
→ Agent 先查读者 → 查图书 → 显示确认信息 → 用户确认 → 扣库存 + 写借阅记录

“最近哪些书逾期了”
→ Agent 调 list_borrows(status=2) → 返回逾期清单

“知识库里关于借阅规则怎么说的”
→ Agent 调 search_knowledge_base → 语义检索 → 返回相关文档片段

所有操作都是 Agent 自动选择工具、自动执行，不需要手动点按钮。

核心功能模块：

图书管理（CRUD + Excel批量导入）
    │
借阅流转（借书/还书/逾期自动检测/库存事务）
    │
AI Agent（16个工具 / 自然语言对话 / 写操作确认机制）
    │
知识库 RAG（29种文件格式 / 语义检索 / 智能问答）
    │
NL2SQL 统计（自然语言转 SQL / 安全校验 / 结果润色）
    │
数据看板（分类分布 / 借阅状态 / 热门图书 / 活跃读者 / 逾期详情）

---

二、技术架构

| 层级 | 技术选型 | 我的工作 |
|------|---------|---------|
| 后端 | Spring Boot 3.2 + MyBatis-Plus | 四张表的 CRUD API、借还书事务、Excel 导入、逾期自动检测、全局异常处理 |
| AI Agent | LangGraph + DeepSeek V4 Pro + FastAPI | 16 个 Function Calling 工具定义、Agent 图编排、确认机制、RateLimiter |
| 知识库 | BGE-M3 + Milvus Lite + Sklearn | 多格式文件切分、稠密+稀疏混合检索、RRF 融合、RAG 问答 |
| 统计 | DeepSeek + FastAPI | NL2SQL Prompt 设计、SQL 安全校验、结果自然语言润色 |
| 看板 | FastAPI + Chart.js | 直连 MySQL 聚合查询、6 个可视化面板、单文件部署 |
| 前端 | Vue3 + Element Plus + Vite | 9 个功能页面、Agent 流式对话 UI、知识库上传管理 |

---

## 三、核心模块实现

### 3.1 AI Agent：16 个工具，自然语言驱动业务

**技术方案：LangGraph 图编排 + DeepSeek V4 Pro Function Calling**

Agent 的执行流程是：用户输入 → LLM 分析意图 → 决定调用哪个工具 → 执行工具（调用后端 API）→ LLM 根据结果决定下一步 → 循环直到给出最终回答。

```python
# agent_graph.py — LangGraph 工作流定义
workflow = StateGraph(AgentState)

workflow.add_node("agent", agent_node)   # LLM 思考节点
workflow.add_node("tools", tool_node)    # 工具执行节点

workflow.set_entry_point("agent")
workflow.add_conditional_edges("agent", should_continue, {"tools": "tools", END: END})
workflow.add_edge("tools", "agent")       # 工具结果反馈给 LLM

graph = workflow.compile(checkpointer=MemorySaver())  # 保持对话上下文

16 个工具覆盖全部业务操作：

模块	工具列表	数量
图书	search_books · get_book · add_book · update_book	4
分类	list_categories · add_category · update_category	3
读者	search_members · get_member · add_member · update_member	4
借阅	list_borrows · borrow_book · return_book	3
统计	smart_query（NL2SQL）	1
知识库	search_knowledge_base（语义检索）	1

安全设计：

• 所有写操作（借书/还书/新增/修改）必须用户二次确认后才执行
• RateLimiter 限制单会话操作上限：图书 5 本、读者 5 人、分类 3 个

3.2 RAG 知识库：上传文档 → 语义检索 → 智能问答

技术方案：BGE-M3 嵌入模型（1024维）+ Milvus Lite 向量库

核心链路：文件上传 → 按类型切分（文本/代码/Markdown 各有策略）→ BGE-M3 生成向量 → 存入 Milvus → 用户提问 → 向量检索 → LLM 结合检索结果生成回答。

支持 29 种文件格式（.txt .md .json .py .java .js .sql .yaml 等），每种格式有专门的切分策略。

混合检索方案：

纯向量检索对精确关键词不敏感。我的方案：稠密向量搜索 + TF-IDF 关键词搜索 → RRF（Reciprocal Rank Fusion）融合排序。

# kb_server.py — 混合检索
# 1. BGE-M3 稠密向量检索（语义匹配）
dense = milvus_client.search(collection="kb_chunks", data=[embedding], limit=top_k*3)

# 2. TF-IDF 稀疏检索（关键词精确匹配）
tfidf = TfidfVectorizer().fit_transform([query] + all_texts)
sparse = cosine_similarity(tfidf[0:1], tfidf[1:])

# 3. RRF 融合
def rrf_fusion(dense_ranked, sparse_ranked, k=60):
    scores = {}
    for rank, item in enumerate(dense_ranked):
        scores[item.id] = scores.get(item.id, 0) + 1/(k+rank+1)
    for rank, item in enumerate(sparse_ranked):
        scores[item.id] = scores.get(item.id, 0) + 1/(k+rank+1)
    return sorted(scores.items(), key=lambda x: x[1], reverse=True)

3.3 NL2SQL 智能统计

技术方案：DeepSeek 生成 SQL → SQL Guard 安全拦截 → 执行 → LLM 润色结果

用户输入"借阅次数最多的 5 本书是什么"→ LLM 生成 SELECT ... FROM borrow_records JOIN books ... ORDER BY ... LIMIT 5 → SQL Guard 校验（只放行 SELECT）→ 执行 → 将原始结果喂给 LLM 润色成人话。

# sql_guard.py — 安全拦截
FORBIDDEN = ["DROP","DELETE","UPDATE","INSERT","ALTER","CREATE","TRUNCATE"]
def check_sql(sql):
    for kw in FORBIDDEN:
        if re.search(r'\b'+kw+r'\b', sql.upper()):
            return False   # 拦截危险操作
    return True

3.4 后端业务层

技术方案：Spring Boot 3.2 + MyBatis-Plus + MySQL 8.0

完成了四个模块的完整 CRUD 及业务逻辑：

• 借还书事务一致性：借书时原子性地扣减 available 并创建借阅记录；还书时恢复库存
• 逾期自动检测：每次查询借阅列表时扫描所有借出中的记录，due_date < 今天 的自动标记为逾期
• Excel 批量导入：支持 .xlsx/.xls，逐行校验（ISBN 去重、分类名称匹配、日期格式解析、总册数有效性），某行失败不影响其他行，提供导入模板下载
• 全局异常处理：统一的异常拦截和错误响应格式

3.5 数据看板

技术方案：FastAPI + Chart.js，单文件部署

看板服务是一个独立的 Python 文件：FastAPI 提供 7 个统计 API，前端 HTML 内嵌在同一个文件里，Chart.js 渲染图表。python main.py 即可运行，零额外配置。

提供六个可视化面板：总览卡片、分类藏书分布（柱状图）、借阅状态分布（环形图）、热门图书 TOP10、活跃读者 TOP10、逾期详情表。

---

四、这项能力对应什么岗位技能

我做了什么	体现的能力	对应岗位要求
LangGraph Agent 编排 + 16 个 Function Calling 工具	LLM 应用开发、Agent 架构设计、Prompt Engineering	AI Agent 开发（核心）
BGE-M3 + Milvus + 稠密/稀疏混合检索 + RRF 融合	Embedding 模型应用、向量数据库、RAG 检索增强	RAG 开发 / AI 工程（核心）
DeepSeek NL2SQL + SQL Guard 安全校验	大模型 Prompt 设计、防御性编程、安全意识	AI 应用开发
Python FastAPI 构建 3 个 AI 微服务	Python Web 开发、API 设计、异步处理	AI 后端开发
Spring Boot + MyBatis-Plus 后端 CRUD + 借还书事务	Java Web 开发、RESTful API、事务管理	后端开发
MySQL 表设计 + 复杂 SQL（JOIN/聚合/子查询）	数据库设计、SQL 编写与优化	数据开发
Vue3 + Element Plus 9 个功能页面	前端组件化开发、响应式布局、Axios 通信	全栈开发
6 个独立服务 + Java ↔ Python 跨语言调用	微服务架构设计、异构系统集成	架构能力
60 个源码文件独立完成 + 58 条测试用例	项目规划、工程质量、独立交付	综合工程素养

---

五、项目数据

指标	数值
源码文件	60 个
编程语言	Java / Python / JavaScript
微服务数	6 个（后端 + Agent + KB + SmartQuery + Dashboard + 前端）
API 端点	30+ 个 RESTful 接口
Agent 工具	16 个 Function Calling 工具
知识库格式	29 种文件格式支持
前端页面	9 个功能页面
数据库表	4 张核心表 + 外键关联
测试用例	58 条 Agent 测试用例（覆盖全部 16 个工具）
文档	FAQ / 借阅规则 / 分类标准 / 增删改查示例 / 知识库样例

---

六、最后

从画数据库 E-R 图到写出能对话的 Agent，从"后端调通第一个接口"到"六个服务互相调用不出错"，这个项目让我真正理解了：软件设计不是凑代码量，是验证你能不能独立把一件事做成。

如果你也在找软件设计思路，或者想看看一个学生独立能做出什么样的全栈项目——这就是答案。

---

项目完整源码、数据库初始化脚本、测试用例均已整理。如有需要，欢迎联系。