# 企业售后 Agent 实战项目设计

## 目标

构建一个面向充电业务售后场景的企业 Agent 项目。用户描述问题后，Agent 能判断售后意图，检索售后政策，查询充电订单和充电记录，生成处理建议。低风险动作自动创建售后工单，高风险退款或补偿进入审批，审批后按冻结动作恢复执行，并记录全链路审计。

首版目标不是做普通聊天机器人，而是做一个受控的企业执行者：能查、能建议、能调用工具，但高风险动作必须可审批、可恢复、可追责。

## 范围

首版采用双服务垂直切片：

- Java `zsElectric-boot`：企业业务系统和 MCP Server，负责业务工具、审批、冻结动作、审计、售后政策和数据库。
- Python `zsElectric-agent-service`：独立兄弟服务，使用 FastAPI 作为服务框架，使用 OpenAI Agents SDK 作为 Agent 编排层，作为 MCP Client 调用 Java MCP Server。
- PostgreSQL + pgvector：作为售后政策 RAG 知识库。
- Swagger 或 Postman：用于审批演示，不开发审批管理页面。

不在首版范围内：

- 不把所有 Java REST Controller 自动暴露为工具。
- Python 不直连 Java 业务数据库。
- 不做完整前端审批后台。
- 不接入 MCP 之外的泛化工具网关。

## 架构

```text
用户
  -> Python zsElectric-agent-service (FastAPI)
       -> OpenAI Agents SDK
       -> RAG Retriever (PostgreSQL + pgvector)
       -> MCP Client
  -> Java zsElectric-boot MCP Server
       -> tool registry / whitelist / risk policy
       -> approval / pending action / audit log
       -> existing service / mapper / DB
```

Python 只负责 Agent 编排：意图判断、对话状态、工具选择、RAG 上下文组装、最终建议生成。

Java 负责企业能力暴露：通过 MCP tools 暴露受控业务动作，内部仍然走现有 service 层，保留鉴权、参数校验、风险分级、审批、审计和幂等保护。

HTTP 可以作为 MCP 的传输方式存在，但对 Python 来说，调用边界是 MCP tool，不是普通业务 REST API。

## Java 模块

在 `zsElectric-boot` 中新增 `platform.agent` 模块：

```text
platform.agent
├─ mcp              # MCP endpoint 和 tool 暴露层
├─ tool             # 工具注册、白名单、风险等级、schema
├─ approval         # 审批和 pending_action
├─ audit            # Agent 全链路审计
├─ policy           # 售后政策文档和 RAG 元数据
└─ aftersales       # 售后工单、退款、补偿业务适配
```

Java MCP Server 暴露的工具必须来自白名单，并带明确参数 schema、风险等级、trace_id、operator/user 上下文。模型不能直接访问 Mapper、数据库或内部通用 Controller。

## Python 模块

在兄弟目录创建 `E:\wzq\workCode\zswl\zsElectric-agent-service`：

```text
app
├─ main.py          # FastAPI app
├─ agents           # OpenAI Agents SDK agent 定义
├─ mcp_client       # 连接 Java MCP Server
├─ rag              # pgvector 检索和上下文组装
├─ schemas          # 请求、响应、工具结果结构
├─ api              # chat、resume、trace、health 路由
└─ evals            # 测试问题集和期望结果
```

FastAPI 接口：

```text
POST /api/v1/agent/chat
POST /api/v1/agent/resume/{approval_id}
GET  /api/v1/agent/runs/{trace_id}
GET  /health
```

## LLM 配置

LLM 运行配置归属 Python `zsElectric-agent-service`。Java `zsElectric-boot` 不直接调用大模型，Java 只作为 MCP Server 暴露受控企业工具。这样模型供应商、模型版本、prompt、RAG 参数和工具调用上限都集中在 Agent 编排层管理。

首版使用显式模型配置，不依赖 SDK 默认值。默认建议：

```text
主 Agent 模型: gpt-5.5
快速分类/意图模型: gpt-5.4-mini
Embedding 模型: text-embedding-3-small
Embedding 维度: 1536
```

`gpt-5.5` 用于最终建议生成、复杂售后判断和审批前说明；`gpt-5.4-mini` 用于意图分类、轻量改写、简单摘要等低成本步骤。后续如果模型升级，只改配置和评估基线，不改业务工具协议。

Python `.env` 示例：

```dotenv
OPENAI_API_KEY=
OPENAI_BASE_URL=https://api.openai.com/v1
OPENAI_DEFAULT_MODEL=gpt-5.5

AGENT_MAIN_MODEL=gpt-5.5
AGENT_FAST_MODEL=gpt-5.4-mini
AGENT_TEMPERATURE=0.2
AGENT_REASONING_EFFORT=medium
AGENT_MAX_TURNS=8
AGENT_TIMEOUT_SECONDS=60
AGENT_TOOL_TIMEOUT_SECONDS=15

EMBEDDING_MODEL=text-embedding-3-small
EMBEDDING_DIMENSIONS=1536
RAG_TOP_K=5
RAG_MIN_SCORE=0.75
RAG_MAX_CONTEXT_TOKENS=3000

MCP_SERVER_URL=http://localhost:8080/api/v1/agent/mcp
MCP_CONNECT_TIMEOUT_SECONDS=5
MCP_READ_TIMEOUT_SECONDS=30
```

Python `settings.yaml` 示例：

```yaml
llm:
  provider: openai
  base_url: ${OPENAI_BASE_URL}
  default_model: ${OPENAI_DEFAULT_MODEL}
  agents:
    aftersales_main:
      model: ${AGENT_MAIN_MODEL}
      temperature: ${AGENT_TEMPERATURE}
      reasoning_effort: ${AGENT_REASONING_EFFORT}
      max_turns: ${AGENT_MAX_TURNS}
      timeout_seconds: ${AGENT_TIMEOUT_SECONDS}
    intent_classifier:
      model: ${AGENT_FAST_MODEL}
      temperature: 0
      timeout_seconds: 20
  embedding:
    model: ${EMBEDDING_MODEL}
    dimensions: ${EMBEDDING_DIMENSIONS}

rag:
  top_k: ${RAG_TOP_K}
  min_score: ${RAG_MIN_SCORE}
  max_context_tokens: ${RAG_MAX_CONTEXT_TOKENS}

mcp:
  server_url: ${MCP_SERVER_URL}
  connect_timeout_seconds: ${MCP_CONNECT_TIMEOUT_SECONDS}
  read_timeout_seconds: ${MCP_READ_TIMEOUT_SECONDS}
```

配置边界：

- API Key 只允许放在环境变量或密钥管理系统，不写入仓库。
- `AGENT_MAIN_MODEL`、`AGENT_FAST_MODEL`、`EMBEDDING_MODEL` 必须在启动日志中打印脱敏后的配置摘要，便于排查环境差异。
- 每次 Agent run 要把 `model_provider`、`model_name`、`prompt_version`、`rag_top_k`、`rag_min_score`、`token_usage` 写入审计日志。
- `EMBEDDING_DIMENSIONS` 必须与 `aftersales_policy_chunk.embedding VECTOR(...)` 一致，不一致时服务启动失败。
- 高风险工具不允许仅靠 prompt 约束，必须由 Java MCP Server 的风险等级和审批逻辑兜底。
- 生产环境模型变更必须跑 eval 数据集，确保意图判断、风险分级、审批触发和最终回复没有回归。

## MCP 工具

首版工具清单：

```text
query_charge_order(order_no | user_id | phone)
query_charge_session(order_no)
retrieve_aftersales_policy(issue_type, keywords)
create_aftersales_work_order(order_no, issue_type, suggestion, evidence)
request_refund(order_no, amount, reason, evidence)
request_compensation(order_no, compensation_type, amount, reason)
get_approval_status(approval_id)
resume_after_approval(approval_id)
write_agent_audit(trace_id, step, input, output, status)
```

风险等级：

```text
LOW:
  query_charge_order
  query_charge_session
  retrieve_aftersales_policy
  create_aftersales_work_order
  write_agent_audit

HIGH:
  request_refund
  request_compensation
  resume_after_approval
```

低风险工具可以直接执行。高风险工具不直接退款或补偿，而是由 Java 创建审批单和冻结动作，返回 `approval_required`。

## 数据表

表按职责拆成两组：

- Java 业务库：`agent_tool_registry`、`agent_approval`、`agent_pending_action`、`agent_audit_log`、`aftersales_work_order`。首版按 MySQL 设计，跟 `zsElectric-boot` 当前业务库一致。
- RAG 知识库：`aftersales_policy_doc`、`aftersales_policy_chunk`。首版按 PostgreSQL + pgvector 设计。Python FastAPI Agent 可以直接检索该知识库；Java MCP Server 也可以通过 `retrieve_aftersales_policy` 工具封装同一套检索能力。

核心关系：

```text
agent_approval 1 -> 1 agent_pending_action
agent_approval 1 -> n agent_audit_log
agent_pending_action 1 -> n agent_audit_log
aftersales_policy_doc 1 -> n aftersales_policy_chunk
trace_id 贯穿 agent_approval、agent_pending_action、agent_audit_log、aftersales_work_order
```

### agent_tool_registry

记录 Java MCP Server 可暴露工具的治理信息。工具必须先注册到该表，再进入白名单判断。

```sql
CREATE TABLE agent_tool_registry (
  id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键',
  tool_name VARCHAR(128) NOT NULL COMMENT 'MCP工具名',
  tool_version VARCHAR(32) NOT NULL DEFAULT 'v1' COMMENT '工具版本',
  description VARCHAR(512) NOT NULL COMMENT '工具说明',
  transport VARCHAR(32) NOT NULL DEFAULT 'mcp' COMMENT '工具传输协议',
  handler_bean VARCHAR(192) NOT NULL COMMENT 'Java处理器Bean或路由标识',
  risk_level VARCHAR(16) NOT NULL COMMENT '风险等级: LOW, MEDIUM, HIGH',
  enabled TINYINT(1) NOT NULL DEFAULT 1 COMMENT '是否启用',
  require_approval TINYINT(1) NOT NULL DEFAULT 0 COMMENT '是否需要审批',
  idempotent TINYINT(1) NOT NULL DEFAULT 1 COMMENT '是否支持幂等',
  input_schema_json JSON NOT NULL COMMENT '输入参数JSON Schema',
  output_schema_json JSON NULL COMMENT '输出结果JSON Schema',
  allowed_roles JSON NULL COMMENT '允许调用的角色列表',
  sensitive_fields JSON NULL COMMENT '需要脱敏的字段列表',
  rate_limit_per_minute INT NOT NULL DEFAULT 60 COMMENT '单工具分钟限流',
  timeout_ms INT NOT NULL DEFAULT 10000 COMMENT '工具超时时间',
  remark VARCHAR(512) NULL COMMENT '备注',
  create_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  update_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',
  deleted TINYINT(1) NOT NULL DEFAULT 0 COMMENT '逻辑删除标记',
  UNIQUE KEY uk_agent_tool_name_version (tool_name, tool_version),
  KEY idx_agent_tool_enabled_risk (enabled, risk_level),
  KEY idx_agent_tool_handler (handler_bean)
) COMMENT='Agent MCP工具注册表';
```

首版工具注册示例：

```text
query_charge_order: LOW, require_approval=false
query_charge_session: LOW, require_approval=false
retrieve_aftersales_policy: LOW, require_approval=false
create_aftersales_work_order: LOW, require_approval=false
request_refund: HIGH, require_approval=true
request_compensation: HIGH, require_approval=true
resume_after_approval: HIGH, require_approval=false
write_agent_audit: LOW, require_approval=false
```

### agent_approval

记录高风险动作审批单。审批单只表达“是否允许执行”，不直接保存完整执行参数；完整执行参数保存在 `agent_pending_action`。

```sql
CREATE TABLE agent_approval (
  id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键',
  approval_id VARCHAR(64) NOT NULL COMMENT '审批ID，外部展示和恢复执行使用',
  trace_id VARCHAR(64) NOT NULL COMMENT 'Agent运行链路ID',
  pending_action_id BIGINT NULL COMMENT '关联冻结动作ID',
  biz_type VARCHAR(64) NOT NULL COMMENT '业务类型: refund, compensation',
  biz_no VARCHAR(128) NOT NULL COMMENT '业务编号，通常为订单号',
  risk_level VARCHAR(16) NOT NULL COMMENT '风险等级: HIGH',
  status VARCHAR(32) NOT NULL DEFAULT 'pending' COMMENT '状态: pending, approved, rejected, expired, executed',
  request_user_id BIGINT NULL COMMENT '发起用户ID',
  request_username VARCHAR(128) NULL COMMENT '发起用户名',
  request_reason VARCHAR(1024) NOT NULL COMMENT '申请原因',
  risk_reason VARCHAR(1024) NULL COMMENT '命中高风险的原因',
  policy_evidence_json JSON NULL COMMENT '政策依据和RAG命中证据',
  requested_amount DECIMAL(10,2) NULL COMMENT '申请退款或补偿金额',
  approver_id BIGINT NULL COMMENT '审批人ID',
  approver_username VARCHAR(128) NULL COMMENT '审批人名称',
  decision_comment VARCHAR(1024) NULL COMMENT '审批意见',
  decision_time DATETIME NULL COMMENT '审批时间',
  expires_at DATETIME NOT NULL COMMENT '审批过期时间',
  create_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  update_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',
  version INT NOT NULL DEFAULT 0 COMMENT '乐观锁版本',
  deleted TINYINT(1) NOT NULL DEFAULT 0 COMMENT '逻辑删除标记',
  UNIQUE KEY uk_agent_approval_id (approval_id),
  KEY idx_agent_approval_trace (trace_id),
  KEY idx_agent_approval_status_time (status, create_time),
  KEY idx_agent_approval_request_user (request_user_id, status),
  KEY idx_agent_approval_biz (biz_type, biz_no)
) COMMENT='Agent高风险动作审批表';
```

状态流转：

```text
pending -> approved -> executed
pending -> rejected
pending -> expired
```

`approved` 只表示审批通过。真实退款或补偿必须由 `resume_after_approval(approval_id)` 根据冻结动作执行，执行成功后再把审批单标记为 `executed`。

### agent_pending_action

记录审批通过后要恢复执行的冻结动作。审批前后的执行参数必须保持一致，不能让模型在审批后重新生成参数。

```sql
CREATE TABLE agent_pending_action (
  id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键',
  action_id VARCHAR(64) NOT NULL COMMENT '冻结动作ID',
  approval_id VARCHAR(64) NOT NULL COMMENT '关联审批ID',
  trace_id VARCHAR(64) NOT NULL COMMENT 'Agent运行链路ID',
  tool_name VARCHAR(128) NOT NULL COMMENT '待执行MCP工具名',
  tool_version VARCHAR(32) NOT NULL DEFAULT 'v1' COMMENT '工具版本',
  risk_level VARCHAR(16) NOT NULL COMMENT '风险等级',
  params_json JSON NOT NULL COMMENT '冻结后的工具参数',
  params_hash CHAR(64) NOT NULL COMMENT '参数SHA-256摘要，防篡改',
  idempotency_key VARCHAR(128) NOT NULL COMMENT '幂等键',
  execute_status VARCHAR(32) NOT NULL DEFAULT 'pending' COMMENT '执行状态: pending, executing, executed, failed, expired, rejected',
  execute_result_json JSON NULL COMMENT '执行结果',
  error_message TEXT NULL COMMENT '失败原因',
  retry_count INT NOT NULL DEFAULT 0 COMMENT '重试次数',
  executed_at DATETIME NULL COMMENT '执行完成时间',
  expires_at DATETIME NOT NULL COMMENT '冻结动作过期时间',
  create_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  update_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',
  version INT NOT NULL DEFAULT 0 COMMENT '乐观锁版本',
  deleted TINYINT(1) NOT NULL DEFAULT 0 COMMENT '逻辑删除标记',
  UNIQUE KEY uk_agent_action_id (action_id),
  UNIQUE KEY uk_agent_action_idempotency (idempotency_key),
  KEY idx_agent_action_approval (approval_id),
  KEY idx_agent_action_trace (trace_id),
  KEY idx_agent_action_status_time (execute_status, create_time),
  KEY idx_agent_action_tool (tool_name, tool_version)
) COMMENT='Agent审批后待恢复执行动作表';
```

恢复执行校验顺序：

```text
approval_id 存在
-> approval.status = approved
-> pending_action.execute_status = pending
-> 当前时间未超过 expires_at
-> tool_name 仍在 agent_tool_registry 白名单且启用
-> params_hash 与 params_json 重算结果一致
-> idempotency_key 未执行过
-> 执行业务工具
-> 更新 execute_status、execute_result_json、agent_approval.status
-> 写 agent_audit_log
```

### agent_audit_log

记录 Agent 全链路审计。审计表只追加，不更新业务含义，用于追踪、排障和责任回溯。

```sql
CREATE TABLE agent_audit_log (
  id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键',
  trace_id VARCHAR(64) NOT NULL COMMENT 'Agent运行链路ID',
  span_id VARCHAR(64) NULL COMMENT '步骤Span ID',
  parent_span_id VARCHAR(64) NULL COMMENT '父级Span ID',
  approval_id VARCHAR(64) NULL COMMENT '关联审批ID',
  pending_action_id VARCHAR(64) NULL COMMENT '关联冻结动作ID',
  actor_type VARCHAR(32) NOT NULL COMMENT '操作者类型: user, agent, system, approver',
  actor_id VARCHAR(64) NULL COMMENT '操作者ID',
  actor_name VARCHAR(128) NULL COMMENT '操作者名称',
  step VARCHAR(64) NOT NULL COMMENT '步骤: user_input, intent_detected, rag_retrieved, tool_called, approval_created, approval_decided, action_resumed, final_answer',
  event_type VARCHAR(64) NOT NULL COMMENT '事件类型',
  tool_name VARCHAR(128) NULL COMMENT '工具名',
  risk_level VARCHAR(16) NULL COMMENT '风险等级',
  model_provider VARCHAR(64) NULL COMMENT '模型供应商，如openai',
  model_name VARCHAR(128) NULL COMMENT '实际调用模型名',
  prompt_version VARCHAR(64) NULL COMMENT 'Prompt版本',
  token_usage_json JSON NULL COMMENT 'Token用量',
  input_json JSON NULL COMMENT '输入快照，敏感字段脱敏后保存',
  output_json JSON NULL COMMENT '输出快照，敏感字段脱敏后保存',
  status VARCHAR(32) NOT NULL COMMENT '状态: success, failed, pending, skipped',
  error_message TEXT NULL COMMENT '错误信息',
  duration_ms BIGINT NULL COMMENT '步骤耗时毫秒',
  ip_address VARCHAR(64) NULL COMMENT '客户端IP',
  user_agent VARCHAR(512) NULL COMMENT '客户端User-Agent',
  create_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  KEY idx_agent_audit_trace_time (trace_id, create_time),
  KEY idx_agent_audit_approval (approval_id),
  KEY idx_agent_audit_action (pending_action_id),
  KEY idx_agent_audit_tool_time (tool_name, create_time),
  KEY idx_agent_audit_model_time (model_name, create_time),
  KEY idx_agent_audit_status_time (status, create_time)
) COMMENT='Agent全链路审计日志表';
```

审计步骤包括用户输入、LLM 配置快照、意图判断、RAG 命中文档、工具调用、审批创建、审批结果、恢复执行和最终回复。

### aftersales_work_order

记录低风险售后自动建单结果，也可以承接高风险审批后的售后处理记录。

```sql
CREATE TABLE aftersales_work_order (
  id BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键',
  work_order_no VARCHAR(64) NOT NULL COMMENT '售后工单号',
  trace_id VARCHAR(64) NOT NULL COMMENT 'Agent运行链路ID',
  order_no VARCHAR(128) NOT NULL COMMENT '充电订单号',
  charge_record_id BIGINT NULL COMMENT '充电记录ID',
  user_id BIGINT NULL COMMENT '用户ID',
  phone_masked VARCHAR(64) NULL COMMENT '脱敏手机号',
  issue_type VARCHAR(64) NOT NULL COMMENT '问题类型: charge_failed, payment_issue, refund_request, compensation_request',
  issue_level VARCHAR(16) NOT NULL DEFAULT 'normal' COMMENT '问题等级: normal, urgent',
  source VARCHAR(32) NOT NULL DEFAULT 'agent' COMMENT '来源: agent, manual, third_party',
  suggestion TEXT NOT NULL COMMENT 'Agent处理建议',
  policy_evidence_json JSON NULL COMMENT '政策依据和RAG命中证据',
  order_snapshot_json JSON NULL COMMENT '订单和充电记录快照',
  status VARCHAR(32) NOT NULL DEFAULT 'created' COMMENT '状态: created, processing, resolved, closed, canceled',
  created_by_agent TINYINT(1) NOT NULL DEFAULT 1 COMMENT '是否Agent创建',
  created_by VARCHAR(64) NULL COMMENT '创建人',
  assigned_to VARCHAR(64) NULL COMMENT '处理人',
  resolve_result TEXT NULL COMMENT '处理结果',
  closed_at DATETIME NULL COMMENT '关闭时间',
  create_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  update_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',
  deleted TINYINT(1) NOT NULL DEFAULT 0 COMMENT '逻辑删除标记',
  UNIQUE KEY uk_aftersales_work_order_no (work_order_no),
  KEY idx_aftersales_order_no (order_no),
  KEY idx_aftersales_trace (trace_id),
  KEY idx_aftersales_status_time (status, create_time),
  KEY idx_aftersales_issue_type (issue_type, create_time)
) COMMENT='售后工单表';
```

### aftersales_policy_doc / aftersales_policy_chunk

`aftersales_policy_doc` 保存政策原文和版本，`aftersales_policy_chunk` 保存分片文本、embedding 和元数据，用于 pgvector 检索。

```sql
CREATE TABLE aftersales_policy_doc (
  id BIGSERIAL PRIMARY KEY,
  doc_code VARCHAR(64) NOT NULL,
  title VARCHAR(256) NOT NULL,
  category VARCHAR(64) NOT NULL,
  issue_type VARCHAR(64) NOT NULL,
  version VARCHAR(32) NOT NULL,
  content TEXT NOT NULL,
  content_hash CHAR(64) NOT NULL,
  source_type VARCHAR(32) NOT NULL DEFAULT 'manual',
  source_uri VARCHAR(512),
  effective_at TIMESTAMPTZ,
  expired_at TIMESTAMPTZ,
  enabled BOOLEAN NOT NULL DEFAULT TRUE,
  metadata JSONB,
  create_time TIMESTAMPTZ NOT NULL DEFAULT now(),
  update_time TIMESTAMPTZ NOT NULL DEFAULT now(),
  UNIQUE (doc_code, version)
);

CREATE INDEX idx_policy_doc_issue_enabled
  ON aftersales_policy_doc (issue_type, enabled);

CREATE INDEX idx_policy_doc_category
  ON aftersales_policy_doc (category);
```

```sql
CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE aftersales_policy_chunk (
  id BIGSERIAL PRIMARY KEY,
  doc_id BIGINT NOT NULL REFERENCES aftersales_policy_doc(id),
  chunk_no INT NOT NULL,
  chunk_text TEXT NOT NULL,
  token_count INT,
  embedding VECTOR(1536) NOT NULL,
  content_hash CHAR(64) NOT NULL,
  issue_type VARCHAR(64) NOT NULL,
  metadata JSONB,
  enabled BOOLEAN NOT NULL DEFAULT TRUE,
  create_time TIMESTAMPTZ NOT NULL DEFAULT now(),
  update_time TIMESTAMPTZ NOT NULL DEFAULT now(),
  UNIQUE (doc_id, chunk_no)
);

CREATE INDEX idx_policy_chunk_doc
  ON aftersales_policy_chunk (doc_id);

CREATE INDEX idx_policy_chunk_issue_enabled
  ON aftersales_policy_chunk (issue_type, enabled);

CREATE INDEX idx_policy_chunk_metadata
  ON aftersales_policy_chunk USING GIN (metadata);

CREATE INDEX idx_policy_chunk_embedding
  ON aftersales_policy_chunk USING hnsw (embedding vector_cosine_ops);
```

`VECTOR(1536)` 是首版 embedding 维度约定，后续如果更换 embedding 模型，必须同步迁移分片表维度并重建向量索引。

## 主流程

低风险流程：

```text
1. FastAPI /chat 接收用户问题，生成 trace_id
2. Agent 判断意图，例如“充电失败咨询”
3. Agent 通过 RAG 检索售后政策
4. Agent 通过 MCP 调 query_charge_order 和 query_charge_session
5. Agent 生成处理建议
6. Agent 通过 MCP 调 create_aftersales_work_order
7. Java 创建工单并写 audit_log
8. FastAPI 返回建议、工单号、trace_id
```

高风险流程：

```text
1. FastAPI /chat 接收用户问题，生成 trace_id
2. Agent 判断意图，例如“充电失败要求退款”
3. Agent 检索政策并查询订单、充电记录
4. Agent 判断需要退款或补偿
5. Agent 通过 MCP 调 request_refund 或 request_compensation
6. Java 判断为 HIGH 风险，创建 agent_approval
7. Java 创建 agent_pending_action，冻结 tool_name 和 params_json
8. Java 返回 approval_required、approval_id、建议说明
9. 人在 Swagger/Postman 调 Java 审批接口 approve 或 reject
10. FastAPI /resume/{approval_id} 调 MCP resume_after_approval
11. Java 校验审批和 pending_action，执行真实退款或补偿
12. Java 写 audit_log 并返回工具结果
13. Agent 生成最终客服回复
```

## Java 审批接口

审批演示接口放在 Java：

```text
GET  /api/v1/agent/approvals
GET  /api/v1/agent/approvals/{approval_id}
POST /api/v1/agent/approvals/{approval_id}/approve
POST /api/v1/agent/approvals/{approval_id}/reject
```

审批通过只改变审批状态，不直接执行退款或补偿。真实执行由 `resume_after_approval(approval_id)` 触发，保证“审批”和“执行恢复”边界清楚。

## 错误处理

```text
RAG 无命中:
  返回“政策依据不足”，只允许生成建议，不允许自动退款或补偿。

订单不存在:
  停止工具链路，写 audit_log，返回需要人工核查。

MCP 工具失败:
  记录 trace_id、tool_name、input、error，不让 Agent 猜测执行结果。

审批过期:
  pending_action 标记 expired，需要重新发起申请。

审批拒绝:
  resume_after_approval 返回 rejected，Agent 生成拒绝后的客服回复。

参数被篡改:
  params_hash 校验失败，拒绝执行并写高危审计。

重复恢复:
  pending_action 已执行则返回历史结果，保证幂等。
```

## 测试

Java 测试：

- 工具白名单测试。
- 高低风险分级测试。
- approval 和 pending_action 落库测试。
- approve/reject 状态流转测试。
- resume_after_approval 幂等测试。
- params_hash 篡改保护测试。
- audit_log 写入测试。

Python FastAPI 测试：

- `/chat` 低风险自动建工单。
- `/chat` 高风险返回 `approval_required`。
- `/resume/{approval_id}` 审批后恢复执行。
- MCP client 工具调用失败。
- RAG 无命中降级。
- LLM 配置加载、默认模型、快速模型、embedding 维度一致性测试。
- 模型变更后的 eval 数据集回归测试。

集成演示：

- 充电失败但只需普通售后处理，自动建工单。
- 充电失败要求退款，进入审批。
- 审批通过，resume 后执行退款或补偿。
- 审批拒绝，Agent 生成拒绝说明。
- 通过 trace_id 查询完整审计链路。

## 里程碑

### M1 Java MCP Server 与治理表

交付 MCP endpoint、tool registry、approval、pending_action、audit_log，以及基础售后政策表。

### M2 Python FastAPI Agent

交付 FastAPI 服务、OpenAI Agents SDK agent、LLM 配置管理、MCP client、基础 RAG 检索、`/chat` 和 `/resume`。

### M3 售后业务闭环

交付订单查询、充电记录查询、政策检索、工单创建、退款/补偿审批和审批恢复。

### M4 验证与演示

交付种子数据、Swagger/Postman 脚本、eval case、README 跑通文档。

## 验收标准

- Python 服务不直连 Java 业务数据库。
- Java 只暴露白名单 MCP tools，不把全部业务接口自动暴露给模型。
- 低风险售后问题可以自动创建工单。
- 高风险退款或补偿必须产生审批单和冻结动作。
- 审批通过后可以按 `approval_id` 恢复执行。
- 审批拒绝、审批过期、重复恢复、参数篡改都有确定结果。
- 每次 Agent 运行都能通过 `trace_id` 查到完整审计链路。
- 每次 Agent 运行都能在审计日志中看到实际模型、prompt 版本、RAG 参数和 token 用量。
- Embedding 模型维度与 pgvector 表结构不一致时，Python 服务启动失败。
- 项目文档能解释 RAG、MCP Tool Calling、权限、审批、状态恢复、审计和测试案例。