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 LangGraph 作为 Agent 状态图编排层，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

用户
  -> Python zsElectric-agent-service (FastAPI)
       -> LangGraph StateGraph
       -> LLM Adapter
       -> RAG Retriever (PostgreSQL + pgvector)
       -> MCP Client
       -> Graph Checkpointer
  -> 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：LangGraph 状态流转、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：

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：

app
├─ main.py          # FastAPI app
├─ graph            # LangGraph StateGraph、state、nodes、edges
├─ checkpoint       # LangGraph checkpoint 持久化适配
├─ llm              # OpenAI兼容LLM客户端、Prompt、输出解析
├─ 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：

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

LangGraph 编排

首版不再使用 OpenAI Agents SDK。Python zsElectric-agent-service 使用 LangGraph 显式建模售后处理状态图，LLM 只作为图中节点的模型能力，MCP 工具调用、审批暂停、恢复执行和错误降级都由图节点和边控制。

状态图节点：

receive_input
  -> detect_intent
  -> retrieve_policy
  -> query_order
  -> plan_action
  -> route_by_risk
      -> create_work_order
      -> request_approval
  -> final_answer

resume_after_approval
  -> load_run_state
  -> call_java_resume_tool
  -> final_answer

核心状态 AfterSalesAgentState：

trace_id
thread_id
user_input
messages
intent
issue_type
risk_level
policy_evidence
order_context
tool_plan
tool_results
approval_id
pending_action_id
resume_result
final_answer
error

thread_id 默认等于 trace_id。LangGraph checkpointer 负责保存 Python 图状态，用于 /resume/{approval_id} 找回审批前的对话、证据和工具结果；Java agent_approval 与 agent_pending_action 仍是审批和冻结动作的事实来源。审批通过后，Python 从 checkpointer 读取状态，再通过 MCP 调 Java resume_after_approval(approval_id)，不能重新让模型生成退款或补偿参数。

生产环境使用 PostgreSQL checkpointer，测试环境可使用内存 checkpointer。所有高风险中断点必须在进入 request_approval 后保存 checkpoint，并把 approval_id、pending_action_id、trace_id 写入状态。

LLM 与 LangGraph 接入方案

主链路采用 LangGraph 编排：Python zsElectric-agent-service 接入真实 LLM，Java zsElectric-boot 继续只做 MCP 工具控制面。Python 的 LangGraph 节点负责模型调用、意图识别、工具计划、MCP 调用路由、审批暂停和最终回复；Java 负责工具白名单、风险分级、审批、冻结动作、幂等、审计和真实业务落库。

该方案的核心边界是：LLM 可以“建议调用哪个工具、用什么参数”，但不能直接访问数据库，也不能绕过 Java 的 MCP 工具治理。退款、补偿等高风险动作即使由 LLM 识别出来，也只能通过 Java request_refund、request_compensation 创建审批和冻结动作，审批通过后再由 resume_after_approval 恢复执行。

配置归属

LLM 与 LangGraph 配置归属 Python zsElectric-agent-service，不复用 Java 现有 platform.ai 的 ai: 配置作为售后 Agent 主链路配置。原因是售后 Agent 的模型、Prompt、状态图节点、工具计划、RAG 参数、最大步数、checkpoint 和降级策略都属于 Agent 编排层；Java platform.ai 可以继续服务后台 AI 命令系统，二者避免共享配置造成运行边界不清。

Python 首版使用 OpenAI 兼容协议，支持 OpenAI、DashScope/Qwen、DeepSeek 等兼容 /chat/completions 的模型服务。模型名称不写死在代码里，由环境变量或配置文件决定。

Python .env 示例：

AGENT_LLM_ENABLED=true
AGENT_LLM_PROVIDER=openai
AGENT_LLM_API_KEY=
AGENT_LLM_BASE_URL=https://api.openai.com/v1
AGENT_LLM_MODEL=
AGENT_LLM_FAST_MODEL=
AGENT_LLM_TEMPERATURE=0.2
AGENT_LLM_TIMEOUT_SECONDS=60
AGENT_LLM_TOOL_TIMEOUT_SECONDS=15

LANGGRAPH_CHECKPOINT_ENABLED=true
LANGGRAPH_CHECKPOINT_DSN=postgresql+psycopg://agent:agent@127.0.0.1:5432/zselectric_agent
LANGGRAPH_THREAD_ID_STRATEGY=trace_id
LANGGRAPH_MAX_STEPS=8

AGENT_PROMPT_VERSION=aftersales-agent-v1
AGENT_TOOL_PLAN_MODE=structured_json
AGENT_RULE_FALLBACK_ENABLED=true

EMBEDDING_PROVIDER=openai
EMBEDDING_API_KEY=
EMBEDDING_BASE_URL=https://api.openai.com/v1
EMBEDDING_MODEL=
EMBEDDING_DIMENSIONS=1536

RAG_TOP_K=5
RAG_MIN_SCORE=0.75
RAG_MAX_CONTEXT_TOKENS=3000

ZSELECTRIC_BOOT_URL=http://127.0.0.1:8080
JAVA_MCP_BASE_PATH=/api/v1/agent/mcp

生产环境要求：

AGENT_LLM_API_KEY、EMBEDDING_API_KEY 只允许来自环境变量或密钥管理系统，不写入仓库。
AGENT_LLM_MODEL 必须显式配置；服务启动时不依赖 SDK 默认模型。
AGENT_LLM_FAST_MODEL 可选；如果为空，快速分类步骤复用 AGENT_LLM_MODEL。
LANGGRAPH_CHECKPOINT_ENABLED=true 时必须配置持久化 checkpointer；生产环境不使用内存 checkpoint。
LANGGRAPH_MAX_STEPS 必须限制在 3 到 12 之间，防止图循环失控。
EMBEDDING_DIMENSIONS 必须与 aftersales_policy_chunk.embedding VECTOR(...) 一致，不一致时服务启动失败。
启动日志只打印脱敏配置摘要，例如 provider、base_url host、model、prompt_version、RAG 参数，不打印 API Key。

Python 新增组件

zsElectric-agent-service 增加以下组件：

app
├─ core
│  └─ settings.py              # 读取 LLM、LangGraph、RAG、Java MCP 配置
├─ llm
│  ├─ client.py                # OpenAI 兼容 chat/completions 客户端
│  ├─ prompts.py               # Prompt 模板和版本号
│  └─ planner.py               # plan_action 节点的结构化输出解析
├─ graph
│  ├─ state.py                 # AfterSalesAgentState
│  ├─ nodes.py                 # detect_intent、retrieve_policy、query_order 等节点
│  ├─ edges.py                 # 风险路由和错误路由
│  └─ aftersales_graph.py      # StateGraph 编译入口
├─ checkpoint
│  └─ store.py                 # PostgreSQL checkpointer 配置
└─ evals
   └─ aftersales_cases.jsonl   # 模型回归用例

settings.py 负责配置校验，启动时检查：

LLM 启用时 AGENT_LLM_API_KEY、AGENT_LLM_BASE_URL、AGENT_LLM_MODEL 必填。
LANGGRAPH_MAX_STEPS 必须大于 0 且不超过 12，防止状态图无限循环。
生产环境必须启用持久化 checkpointer；只有单元测试允许内存 checkpointer。
ZSELECTRIC_BOOT_URL 必填且不能指向外部未知域名。
RAG 参数必须在安全范围内，例如 RAG_TOP_K 在 1 到 10 之间。

client.py 只处理模型 HTTP 调用，不包含业务规则。它向 {AGENT_LLM_BASE_URL}/chat/completions 发送请求，统一返回：

{
  "content": "...",
  "model": "actual-model-name",
  "provider": "openai",
  "usage": {
    "prompt_tokens": 123,
    "completion_tokens": 45,
    "total_tokens": 168
  }
}

planner.py 负责把 plan_action 节点的模型输出解析成固定 JSON。如果模型返回非法 JSON、工具名不在 Python 本地白名单、参数缺少必填字段，LangGraph 进入规则降级或人工处理节点，不把非法工具请求传给 Java。

工具计划结构

LangGraph 的 plan_action 节点只生成工具计划，不直接生成最终客服回复。工具计划必须是结构化 JSON：

{
  "intent": "refund_request",
  "risk_level": "HIGH",
  "need_order_lookup": true,
  "tool_calls": [
    {
      "tool_name": "retrieve_aftersales_policy",
      "params": {
        "issue_type": "refund_request",
        "keywords": "用户要求退款"
      }
    },
    {
      "tool_name": "query_charge_order",
      "params": {
        "order_no": "CD001"
      }
    },
    {
      "tool_name": "request_refund",
      "params": {
        "order_no": "CD001",
        "reason": "用户反馈充电失败要求退款"
      }
    }
  ],
  "customer_message_draft": "该问题涉及退款，需要先进入审批。"
}

Python 本地白名单必须与 Java AgentToolCatalog 保持一致，首版允许的工具名为：

query_charge_order
query_charge_session
retrieve_aftersales_policy
create_aftersales_work_order
request_refund
request_compensation
get_approval_status
resume_after_approval
write_agent_audit

LangGraph 只执行白名单中的工具，并且执行顺序受状态图控制：

总是先执行 retrieve_aftersales_policy。
请求中存在 order_no、user_id 或 phone 时，才允许执行订单查询。
高风险工具最多执行一个，且必须位于政策检索和必要订单查询之后。
模型不得直接调用 resume_after_approval；该工具只允许 /api/v1/agent/resume/{approval_id} 路由进入 resume_after_approval 子图后触发。

主调用流程

LangGraph 接入后的低风险流程：

1. FastAPI /chat 接收 ChatRequest，生成 trace_id。
2. FastAPI 调用 aftersales_graph，thread_id=trace_id。
3. detect_intent 节点识别意图和问题类型。
4. retrieve_policy 节点检索售后政策。
5. query_order 节点按需调用 Java MCP 查询订单或充电记录。
6. plan_action 节点调用 LLM 生成结构化工具计划。
7. route_by_risk 节点校验 JSON schema、工具白名单、顺序、参数和最大工具次数。
8. create_work_order 节点调用 Java MCP 创建售后工单。
9. final_answer 节点把工具结果、政策证据、工单号交给 LLM 生成最终客服回复。
10. Python 返回 AgentResponse，并把模型、checkpoint 和工具调用摘要写审计。

LangGraph 接入后的高风险流程：

1. FastAPI /chat 接收退款或补偿诉求，生成 trace_id。
2. LangGraph 执行 detect_intent、retrieve_policy、query_order、plan_action。
3. route_by_risk 节点发现 request_refund 或 request_compensation。
4. request_approval 节点调用 Java MCP。
5. Java AgentToolOrchestrator 判断 HIGH 风险，创建 agent_approval 和 agent_pending_action。
6. Java 冻结 tool_name、tool_version、params_json、params_hash、idempotency_key。
7. Java 返回 pending_approval、approval_id、pending_action_id。
8. LangGraph 将 approval_id 和 pending_action_id 写入 checkpoint。
9. final_answer 节点不让 LLM 编造执行结果，只生成“已进入审批”的客服回复。
10. 审批人通过 Java 审批接口 approve 或 reject。
11. 前端或运营后台调用 Python /resume/{approval_id}。
12. Python 从 checkpoint 找回 trace_id/thread_id 和审批前状态。
13. resume_after_approval 子图只透传 approval_id 调 Java resume_after_approval。
14. Java 校验审批状态、冻结参数 hash、幂等状态后执行冻结动作。
15. final_answer 节点根据 Java 结果生成审批后的最终回复。

Prompt 约束

系统 Prompt 首版固定为 aftersales-agent-v1，核心规则：

你是充电业务售后 Agent。
你只能根据工具返回结果回答，不得编造订单、退款、补偿或审批状态。
你必须先检索售后政策，再决定是否需要查询订单或创建工单。
退款、补偿、账户权益变更属于高风险动作，只能调用 request_refund 或 request_compensation 发起审批。
当 Java 工具返回 pending_approval 时，你必须明确告知需要人工审批，不能声称退款或补偿已经完成。
当工具失败或证据不足时，你必须建议人工核查。
你必须输出符合 JSON schema 的工具计划，不得输出额外解释。

最终回复 Prompt 与工具计划 Prompt 分开。最终回复只接收已执行的工具结果，不允许再产生新工具调用，避免模型在回复阶段绕过工具治理。

降级策略

LangGraph 节点或 LLM 调用失败时：

如果 AGENT_RULE_FALLBACK_ENABLED=true，回退到当前规则编排：关键词判断退款/补偿，低风险建工单，高风险进审批。
如果规则也无法判断，返回“当前智能判断不可用，请人工核查”，并写失败审计。
任何节点失败都必须写入 state.error 和 agent_audit_log，不能跳过审计直接结束。

LLM 输出非法工具计划时：

记录 tool_plan_parse_failed 审计。
不调用 Java MCP。
尝试一次低温重试；重试仍失败则进入规则降级。

Java MCP 工具失败时：

Python 不让 LLM 猜测结果。
将错误、tool_name、trace_id 写审计。
最终回复固定为需要人工核查。

RAG 无命中时：

允许查询订单和创建普通工单。
不允许发起退款或补偿审批，除非用户明确表达退款/补偿诉求且订单证据完整。

审计与可观测性

每次 Agent run 必须写入以下审计信息：

trace_id
thread_id
checkpoint_id
graph_version
graph_node
prompt_version
llm_provider
llm_model
fast_model
embedding_model
rag_top_k
rag_min_score
tool_plan_json
tool_call_count
token_usage_json
fallback_used
final_status

审计写入分两层：

Python 侧记录 LLM 输入输出摘要、工具计划、token usage、fallback 状态。
LangGraph checkpointer 保存图状态，但不替代审计日志。
Java 侧继续记录工具调用、审批创建、审批决策、冻结动作恢复和业务执行结果。

两侧用同一个 trace_id 串联。高风险动作以 Java 审计为准，Python 审计不能替代 Java 审批和冻结动作记录。

安全约束

LLM 不接触数据库连接串，不直连 Java 业务库。
LLM 不接触完整手机号、身份证、支付密钥等敏感字段；进入 prompt 前必须脱敏。
Python 本地工具白名单和 Java 工具白名单双重校验。
高风险工具必须由 Java 判断风险并创建审批，不能只靠 Prompt 文案限制。
resume_after_approval 不允许从 LLM 工具计划触发，只能由 /resume/{approval_id} 入口触发。
模型输出的金额、原因、证据只能作为申请参数，真实执行仍以 Java 冻结参数和审批状态为准。
每次模型或 Prompt 版本变更，必须跑 eval 数据集后再进入生产。

测试策略

Python 新增测试：

LLM 配置缺失时启动失败。
LLM 工具计划 JSON 解析成功。
非白名单工具被拒绝，且不调用 Java MCP。
模型非法 JSON 时重试一次，然后规则降级。
低风险意图生成 create_aftersales_work_order。
退款意图生成 request_refund，Java 返回 pending_approval 后不生成“已退款”回复。
/resume/{approval_id} 只能调用 resume_after_approval，不走 LLM 工具计划。
高风险审批返回后写入 LangGraph checkpoint。
/resume/{approval_id} 能从 checkpoint 找回审批前状态。
checkpoint 丢失时返回可解释错误，并提示人工核查。
token usage、model、prompt_version 写入审计。

Java 现有测试保持：

高风险工具创建审批和冻结动作。
审批通过后按冻结参数恢复执行。
params_hash 篡改保护。
重复恢复返回历史结果，避免重复执行。

集成 eval 用例至少覆盖：

充电失败咨询 -> 检索政策 + 查询订单 + 创建工单
充电失败要求退款 -> 检索政策 + 查询订单 + 创建审批
用户要求补偿余额 -> 检索政策 + 查询订单 + 创建审批
只有手机号没有订单号 -> 查询最近订单后建单或进入人工核查
政策无命中 -> 不自动退款/补偿
Java MCP 超时 -> 返回人工核查
审批通过后 resume -> 执行冻结动作
审批拒绝后 resume -> 返回 rejected

MCP 工具

首版工具清单：

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：

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：

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。

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：

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。

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：

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。

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：

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。

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',
  thread_id VARCHAR(64) NULL COMMENT 'LangGraph线程ID，默认等于trace_id',
  checkpoint_id VARCHAR(128) NULL COMMENT 'LangGraph checkpoint 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',
  graph_version VARCHAR(64) NULL COMMENT 'LangGraph图版本',
  graph_node VARCHAR(128) NULL COMMENT '当前图节点',
  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_thread_time (thread_id, create_time),
  KEY idx_agent_audit_checkpoint (checkpoint_id),
  KEY idx_agent_audit_approval (approval_id),
  KEY idx_agent_audit_action (pending_action_id),
  KEY idx_agent_audit_graph_node (graph_node, create_time),
  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。

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。

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);

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：

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：

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：

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

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、LangGraph 状态图、持久化 checkpoint、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。
高风险审批暂停后，LangGraph checkpoint 能保存审批前状态，/resume/{approval_id} 能从 checkpoint 恢复上下文。
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 LangGraph 状态图、RAG、MCP Tool Calling、权限、审批、状态恢复、审计和测试案例。

2026-07-08-enterprise-aftersales-agent-design.md 38 KB История Директен файл