前言

在大模型驱动的智能应用开发中，单一知识库或单代理架构常面临“结构化数据处理弱”“非结构化知识检索不精准”“复杂任务分工模糊”等痛点。而混合RAG（检索增强生成）+多代理架构，通过“结构化数据库+图知识库+向量知识库”的多源存储，搭配分工明确的代理节点与智能调度中枢，能高效应对复杂场景下的问答、数据分析、知识检索等需求。

本文作为系列博客的开篇，将带大家全面拆解一套基于LangGraph的多代理混合RAG系统，从架构设计、核心组件、工作流程到环境部署，手把手带你搭建系统基础框架，为后续深入各个模块做好铺垫。

1 系统核心架构总览

1.1 架构设计理念

本系统的核心设计思路是“分工协作+多源融合”：

• 多代理分工：将复杂任务拆解为“自然语言交互、代码执行、数据查询、图知识检索、向量语义检索”五大场景，每个场景由专属代理负责，提升专业度；
• 混合RAG支撑：整合“MySQL结构化数据库+Neo4j图知识库+Milvus向量知识库”，覆盖结构化数据、关系型知识、非结构化文本的全场景检索需求；
• 智能调度中枢：通过Supervisor（主管代理）实现任务路由与代理协作，避免重复工作，形成闭环流程。

1.2 系统架构全景图

通过项目中的draw_graph.py生成系统架构图（含代理内部逻辑展开），直观呈现各组件的关联关系：

1.3 核心组件拆解

系统由“调度层、代理层、知识库层、数据存储层”四层构成，每层组件各司其职、协同工作：

层级	核心组件	功能定位
调度层	Supervisor（主管代理）	系统“大脑”，负责任务分发、代理状态管理、循环保护、结果判断与终止决策
代理层	5个子代理（chat/coder/sqler/graph_kg/vec_kg）	具体任务执行者，覆盖自然语言交互、代码执行、数据查询、图检索、向量检索场景
知识库层	Neo4j图知识库+Milvus向量库	非结构化知识存储与检索，图库侧重关系型知识，向量库侧重语义匹配检索
数据存储层	MySQL结构化数据库	存储结构化业务数据（销售记录、客户信息、产品信息、竞争对手数据）

2 核心组件详细解析

2.1 调度层：Supervisor主管代理

Supervisor是系统的核心调度中枢，相当于“项目管理者”，核心职责包括：

1. 任务识别：解析用户需求，判断需要调用哪个/哪些代理；
2. 状态追踪：记录已调用的代理、上一次执行的代理，避免重复调用；
3. 规则执行：遵循6大核心规则（如“市场份额相关问题优先调用sqler”“不连续调用同一代理”）；
4. 循环保护：检测潜在的代理循环调用，强制切换或终止流程；
5. 结果判断：评估代理执行结果是否满足用户需求，决定继续调度或终止流程。

其核心价值是让多代理从“无序竞争”变为“有序协作”，确保任务高效推进。

2.2 代理层：5个子代理的角色分工

代理层是系统的“执行团队”，每个代理都有明确的职责边界和技术栈，避免功能重叠：

2.2.1 chat代理（自然语言交互）

• • 定位：“客服专员”，负责直接响应用户的自然语言需求；
• • 核心能力：基于大模型生成流畅、易懂的中文回复，无需调用工具；
• • 适用场景：用户需求简单、无需数据查询或代码执行的场景（如“介绍系统功能”）。

2.2.2 coder代理（代码执行）

• • 定位：“数据分析师”，负责通过Python代码实现数据计算、图表生成；
• • 核心工具：Python REPL环境，支持执行任意Python代码（如数据分析、可视化）；
• • 适用场景：需要复杂计算、数据统计、图表展示的需求（如“分析库存水平是否健康”）。

2.2.3 sqler代理（结构化数据查询）

• • 定位：“数据库管理员”，负责操作MySQL中的结构化业务数据；
• • 核心工具：封装增删改查（add_sale/delete_sale/update_sale/query_sales）和通用SQL执行（execute_sql）工具；
• • 适用场景：查询销售记录、客户信息、产品数据、竞争对手市场份额等结构化数据需求。

2.2.4 graph_kg代理（图知识库检索）

• • 定位：“关系挖掘专家”，负责从Neo4j图知识库中检索关系型知识；
• • 核心技术：Cypher查询语言，通过图遍历挖掘实体间关系（如“小米的合作品牌”）；
• • 适用场景：需要探索实体关系、全局知识关联的需求（如“华为的技术创新突破”）。

2.2.5 vec_kg代理（向量知识库检索）

• • 定位：“细节检索专员”，负责从Milvus向量库中检索细粒度文本知识；
• • 核心技术：语义嵌入（DashScope Embeddings）+ 相似性检索，精准匹配文本语义；
• • 适用场景：需要获取具体细节、文本片段的需求（如“苹果公司的环保目标”）。

2.3 知识库层：混合RAG的双引擎

知识库层是系统的“知识储备库”，采用“图库+向量库”的混合模式，兼顾关系型知识与语义型知识：

2.3.1 Neo4j图知识库

• 存储内容：实体（如公司、产品、技术）与实体间关系（如“小米-合作-某品牌”“华为-开发-鸿蒙系统”）；
• 核心优势：擅长处理“谁和谁有关系”“某实体的关联资源”等关系型查询，查询效率高于传统数据库；
• 技术亮点：通过LLMGraphTransformer自动将文本转换为图结构，无需手动建模。

2.3.2 Milvus向量知识库

• 存储内容：非结构化文本的向量表示（如公司介绍、产品详情等）；
• 核心优势：基于语义相似性检索，能精准匹配用户需求与文本细节，无需依赖关键词；
• 技术亮点：支持本地Docker部署，通过DashScope Embeddings生成高维度向量，检索精度高。

2.4 数据存储层：MySQL结构化数据库

• • 存储内容：业务核心结构化数据，包含4张核心表：

1. sales_data：销售记录（销售ID、产品ID、客户ID、销量、金额等）；
2. customer_information：客户信息（客户ID、名称、地区、类型等）；
3. product_information：产品信息（产品ID、名称、类别、单价、库存等）；
4. competitor_analysis：竞争对手分析（竞争对手ID、名称、地区、市场份额等）；

• 核心价值：为sqler代理提供数据支撑，确保结构化数据的高效查询与修改。

3 系统工作流程详解

3.1 核心工作流时序图

系统的完整工作流程遵循“用户提问→Supervisor调度→代理执行→结果反馈→终止/继续”的闭环，时序如下：

3.2 关键流程说明

1. 需求接入：用户通过自然语言发起需求，所有请求先进入Supervisor；
2. 调度决策：Supervisor根据需求类型和历史执行记录，选择合适的代理；
3. 代理执行：被选中的代理调用对应的工具（数据库、知识库、代码环境）完成任务；
4. 结果反馈：代理将执行结果返回给Supervisor，而非直接反馈给用户；
5. 终止判断：Supervisor评估结果是否满足需求，满足则返回用户，否则继续调度其他代理。

4 环境准备：Docker部署三大核心服务

系统依赖Neo4j、Milvus、MySQL三大服务，推荐使用Docker Compose一键部署，避免环境冲突。

4.1 前提条件

1. 安装Docker和Docker Compose（版本要求：Docker ≥ 20.10，Docker Compose ≥ 2.12）；
2. 确保本地端口7687（Neo4j）、19530（Milvus）、3307（MySQL）未被占用。

4.2 Docker Compose配置文件

创建docker-compose-rag.yml文件，内容如下：

version: '3.8'services:  # MySQL服务（结构化数据存储）  mysql:    image: mysql:8.0    container_name: rag-mysql    ports:      - "3307:3306"    environment:      MYSQL_ROOT_PASSWORD: root      MYSQL_DATABASE: langgraph      MYSQL_CHARSET: utf8mb4      MYSQL_COLLATION: utf8mb4_unicode_ci    volumes:      - mysql-data:/var/lib/mysql    restart: always  # Neo4j图数据库服务  neo4j:    image: neo4j:5.15.0    container_name: rag-neo4j    ports:      - "7474:7474"  # Web管理界面      - "7687:7687"  # Bolt协议端口（核心连接端口）    environment:      NEO4J_AUTH: neo4j/password      NEO4J_dbms_default__database: neo4j    volumes:      - neo4j-data:/data    restart: always  # Milvus向量数据库服务  milvus:    image: milvusdb/milvus:v2.4.5    container_name: rag-milvus    ports:      - "19530:19530"  # GRPC连接端口      - "9091:9091"    # HTTP连接端口    environment:      MILVUS_ETCD_ENDPOINTS: etcd:2379      MILVUS_MINIO_ENDPOINT: minio:9000      MILVUS_MINIO_ACCESS_KEY: minioadmin      MILVUS_MINIO_SECRET_KEY: minioadmin    depends_on:      - etcd      - minio    restart: always  etcd:    image: quay.io/coreos/etcd:v3.5.5    container_name: rag-etcd    environment:      ETCD_LISTEN_CLIENT_URLS: http://0.0.0.0:2379      ETCD_ADVERTISE_CLIENT_URLS: http://etcd:2379    volumes:      - etcd-data:/etcd-data    restart: always  minio:    image: minio/minio:RELEASE.2023-03-20T20-16-18Z    container_name: rag-minio    ports:      - "9000:9000"      - "9001:9001"    environment:      MINIO_ROOT_USER: minioadmin      MINIO_ROOT_PASSWORD: minioadmin    command: server /data --console-address ":9001"    volumes:      - minio-data:/data    restart: alwaysvolumes:  mysql-data:  neo4j-data:  etcd-data:  minio-data:

4.3 启动服务

在docker-compose-rag.yml所在目录执行以下命令，启动所有服务：

docker-compose -f docker-compose-rag.yml up -d

4.4 服务验证

启动后，通过以下方式验证服务是否正常运行：

1. MySQL：使用Navicat等工具连接localhost:3307，用户名root，密码root，能看到langgraph数据库即正常；
2. Neo4j：浏览器访问http://localhost:7474，输入用户名neo4j，密码password，能登录管理界面即正常；
3. Milvus：执行docker logs rag-milvus，无报错且显示“Milvus is ready”即正常。

5 系统初始化：种子数据与知识库构建

5.1 种子数据插入

系统启动后，需向MySQL插入初始业务数据（客户、产品、销售、竞争对手信息），项目代码中已内置init_seed_data()函数，执行以下步骤自动插入：

1. 确保hybrid_rag_supervisor.py中MySQL连接配置正确：```plaintext
   DATABASE_URI = ‘mysql+pymysql://root:root@localhost:3307/langgraph?charset=utf8mb4’

2. 运行hybrid_rag_supervisor.py，程序会自动检测数据库是否有数据，无数据则插入3个客户、3个产品、3个竞争对手、3条销售记录，控制台输出“✅ 种子数据初始化完成”即成功。

5.2 知识库初始化

1. 图知识库（Neo4j）：程序会加载doc/company.txt中的文本内容，通过LLMGraphTransformer自动转换为图结构并插入Neo4j，控制台输出“图文档数量: X”即成功；
2. 向量知识库（Milvus）：程序会将company.txt文本分块（chunk_size=250，chunk_overlap=30），通过DashScope Embeddings生成向量并插入Milvus，控制台输出“向量索引构建完成”即成功。

6 系统测试：快速验证功能

6.1 测试流程

1. 确保所有Docker服务正常运行；

2. 配置环境变量：在.env文件中添加DashScope API密钥和Base URL：```plaintext
   DASHSCOPE_API_KEY=你的DashScope API密钥DASHSCOPE_API_BASE=你的DashScope API Base URL

3. 运行hybrid_rag_supervisor.py，程序会自动执行6个测试查询，示例如下：

• 对比小米和华为在技术创新方面的不同侧重点；
• 查询市场份额最高的竞争对手及其总部位置；
• 分析所有产品的平均单价和库存健康状态。

6.2 预期结果

程序会输出每个测试查询的执行过程，包括Supervisor的调度决策、代理的执行结果，最终返回清晰的中文答案，例如：

[Supervisor] 决策：调度代理 [sqler] 执行任务[sqler]: [{'competitor_name': '三星电子', 'region': '韩国', 'market_share': 22.5}][Supervisor] 决策：调度代理 [FINISH][chatbot]: 目前市场份额最高的竞争对手是三星电子，其市场份额为22.5%，总部位于韩国。

7 总结与后续预告

本文作为系列博客的开篇，带大家完成了多代理混合RAG系统的“从0到1”搭建：明确了系统架构设计、核心组件分工、工作流程，完成了Docker环境部署、种子数据插入和知识库初始化，并通过测试验证了系统的基本功能。

这套系统的核心优势在于“分工明确、多源融合、智能调度”，既能处理结构化数据查询，又能挖掘关系型知识和检索文本细节，为复杂场景下的智能应用提供了可落地的架构方案。

后续博客预告

1. 主题2：《多代理实战：5个子代理的角色分工与ReAct架构实现》—— 拆解ReAct Agent的底层原理和代码实现；
2. 主题3：《混合知识库搭建：本地Docker部署Neo4j图数据库与Milvus向量库》—— 深入讲解双知识库的建模、优化与协同逻辑；
3. 主题4：《Supervisor核心：多代理调度逻辑与路由规则设计》—— 揭秘系统“大脑”的决策机制；
4. 主题5：《系统测试与落地优化：问题案例、性能调优与扩展方向》—— 解决落地痛点，提升系统性能。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】