在日常开发中，Jira是我们绕不开的项目管理工具。但不知道你有没有这样的痛点：

• 操作繁琐： 创建一个任务，要填一堆字段，点N次下拉框。

• 信息隔离： 任务相关的需求文档、API说明散落在Confluence、Git等各处，查起来费时费力。

• 状态滞后： 任务进度需要人工手动更新，经常与实际情况不符，带来很多烦恼。

如果，我们能有一个“智能秘书”呢？你只需要对它说一句：“帮我把‘用户登录模块优化’这个需求，创建成一个Story，分配给前端小王，优先级高，并把相关的API文档链接附上。”

几秒钟后，Jira里就妥妥地出现了一条规范、信息完整的任务。这，就是我们今天要聊的：基于LangGraph的智能体（Agent），结合RAG和MCP Server，打造一个真正AI赋能的Jira助手。

整个代码框架已经Ready，架构也已跑通，下面我就为大家彻底拆解这个项目。

一、核心架构：让AI学会“思考”和“动手”

在深入的聊技术之前，我们先看看下面的这张架构图，让大家对整个系统有个宏观认识。

架构核心思想：LangGraph作为“大脑”，协调各个“专业工具人”（Tools）来完成复杂任务， 这里RAG作为知识库， 就是个“大仓库” 或者“口袋”， 下面的地盘或者叫“底座”是个LLM（大语言模型）。

我们来逐一拆解图中的核心模块：

1. LangGraph Agent（智能体大脑）

• 角色： 总指挥。它负责理解用户的自然语言指令，并规划执行步骤， 如果执行或者具体处理逻辑都归它管。

• 优势： LangGraph的StateGraph能够完美管理智能体的状态，实现多步骤、有条件的复杂工作流。比如，它可能会先查询知识库，再决定如何创建Jira单。

2. RAG（检索增强生成）- 智能体的“外挂知识库”

• 角色： 领域专家。我们的项目有大量的内部知识，比如代码规范、API文档、历史需求等。

• 工作流：

• 索引：将Confluence文档、Git代码注释等内部知识库进行切片、向量化，存入向量数据库（如ElasticSearch / OpenSearch）。

• 检索：当用户提问时（例如：“创建任务时，性能测试的标准是什么？”），RAG会从向量库中检索最相关的知识片段。

• 增强：将这些片段作为上下文，与用户问题一并送给LLM，让LLM基于“内部知识”生成更精准的回答或执行动作。

3. MCP Server for Jira（智能体的“手和脚”）

• 角色： 实干家。这是最关键的一环！MCP（Model Context Protocol）是新兴的标准化协议，它允许我们以统一的方式为LLM提供工具。

• 功能： 我们封装了一个MCP Server，专门用于操作Jira。它暴露出一系列标准工具函数，例如：

• jira_*get_*issue:Get details of a specific issue

• jira_search:Search issues using JQL

• jira_*create_*issue:Create a new issue

• jira_*update_*issue:Update an existing issue

• jira_*transition_*issue:Transition an issue to a new status

• jira_*add_*comment:Add a comment to an issue

好处： LangGraph Agent可以直接调用这些标准化工具，无需关心Jira REST API的复杂细节，实现了完美的解耦。

二、代码实战：核心流程一览

代码框架已经Ready，这里贴出最核心的LangGraph图定义和执行流程，让大家感受一下其简洁和强大。

from typing import Dict, Anyfrom langgraph.graph import StateGraph, ENDfrom src.core.state import AgentStatefrom src.agents.router import AgentRouterfrom src.agents.jira_agent import JiraAgentfrom src.agents.conference_agent import ConferenceAgentimport logging# Set up logginglogging.basicConfig(level=logging.INFO)logger = logging.getLogger(__name__)classGraphManager:    """    Manages the LangGraph workflow for the agent system.    """        def__init__(self):         # 初始化GraphManager，创建所需的代理和图构建器        logger.info("Initializing GraphManager")        self.router = AgentRouter() # 路由代理，负责请求分发        self.jira_agent = JiraAgent() # Jira代理，处理Jira相关操作        self.conference_agent = ConferenceAgent()        self.builder = StateGraph(AgentState) # 基于AgentState的状态图构建器        self._setup_graph() # 设置图结构        def_setup_graph(self):        """        Set up the graph nodes and edges.        """        logger.info("Setting up graph nodes and edges")                # 添加节点        self.builder.add_node("router", self._route_request) # 路由节点        self.builder.add_node("jira_agent", self._process_jira_request) # Jira处理节点        self.builder.add_node("conference_agent", self._process_conference_request)                # 添加条件边，根据_route_decision函数输出决定路由        self.builder.add_conditional_edges(            "router",            self._route_decision,            {                "jira_agent": "jira_agent",                "conference_agent": "conference_agent",                "end": END            }        )                # 添加从Agent到工作流结束的线性边        self.builder.add_edge("jira_agent", END)        self.builder.add_edge("conference_agent", END)                # 设置入口点，所有工作流都从路由器开始        self.builder.set_entry_point("router")        logger.info("Graph setup completed")        def_route_request(self, state: AgentState) -> Dict[str, Any]:        """        Route the request to the appropriate agent.        """        logger.info("Routing request")        return self.router.process(state)        def_process_jira_request(self, state: AgentState) -> Dict[str, Any]:        """        Process a Jira request.        """        logger.info("Processing Jira request")        return self.jira_agent.process(state)        def_process_conference_request(self, state: AgentState) -> Dict[str, Any]:        """        Process a conference request.        """        logger.info("Processing Conference request")        return self.conference_agent.process(state)        def_route_decision(self, state: AgentState) -> str:        """        Make routing decision based on state.        """        # 访问最后一条消息以确定路由        messages = state.get("messages", [])        logger.info(f"Making routing decision based on state. Messages count: {len(messages)}")                ifnot messages:            logger.info("No messages found, routing to end")            return"end"                    # 目前根据current_agent字段进行路由        current_agent = state.get("current_agent", "")        logger.info(f"Current agent: {current_agent}")                if current_agent == "jira":            # 路由到Jira代理            logger.info("Routing to jira_agent")            return"jira_agent"        elif current_agent == "conference":            logger.info("Routing to conference_agent")            return"conference_agent"        else:            logger.info("Routing to end")            return"end"        defcompile(self):        """        Compile and return the graph.        """        logger.info("Compiling graph")        return self.builder.compile()

三、AI赋能Jira：不止于创建任务

这个智能体能做什么？大家可以头脑风暴一下！

1. 自然语言生成任务卡片： 如开篇所述，一句话创建复杂任务。

2. 智能问答与报告：

• “我们Q1季度，哪个模块产生的Bug最多？列出Top3。”
• “把‘电商大促’项目的所有阻塞态任务汇总成一个Markdown报告发到群里。”

3. 自动化工单处理：

• 监控日志，自动为频繁出现的Error创建Bug单。

• 识别Git Commit Message，自动将关联的任务状态更新为“Resolved”。

4. 上下文感知辅助：

• 在任务界面，直接问Agent：“这个任务关联的PR代码评审意见是什么？”（它通过RAG去Git里找）。

智能体运行截图:

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​