摘要： 本文围绕一个可直接运行的企业办公 AI Agent 项目展开，完整实现了自然语言任务输入、Agent 任务规划、MCP 风格工具调用、CSV/Excel 销售数据分析、会议纪要摘要、执行日志展示、Markdown 报告生成和 FastAPI Web 页面。项目默认采用 离线演示模式，不需要 API Key、不需要模型权重、不需要 GPU，在普通 CPU 环境下即可运行；同时保留 Ollama、OpenAI-compatible API、官方 LangGraph 和官方 MCP Server 的扩展入口。这个项目适合用于大模型应用开发实战、AI Agent 课程设计、毕业设计、企业办公自动化原型、CSDN 项目实战文章和二次开发。

关键词： LangGraph、MCP、AI Agent、企业办公自动化、大模型应用开发、FastAPI、工具调用、CSV 数据分析、会议纪要摘要、Python 项目实战、课程设计、毕业设计、企业智能体系统

项目定位：
这个项目不是只演示“让大模型聊天”，而是把办公任务拆成可执行流程。用户在网页中输入一句话，例如“请分析 2025 年销售数据，找出销售额最高的产品和区域，并生成经营分析建议”，系统会自动完成文件读取、任务规划、工具选择、数据统计、图表生成、结果整理和报告保存。对于学生来说，它有完整前后端、算法处理、工程目录和运行截图；对于企业来说，它可以继续扩展到 OA、CRM、ERP、知识库、数据库和邮件系统。

---

一、为什么这个题目适合今天发布

最近大模型应用项目已经从“聊天页面”逐步转向“能做事的智能体”。普通聊天机器人只能根据上下文回答问题，而企业办公任务通常不是一句回答就能解决的。一个销售运营人员可能需要读取 Excel，统计各地区销售额，找出重点产品，再写成周报；一个项目经理可能需要阅读会议纪要，提炼进展、问题和下周计划；一个行政或法务人员可能需要从制度文档里抽取关键条款，并把结果沉淀成报告。这类任务天然包含多个步骤，既需要语言理解，也需要工具调用。

LangGraph 的价值在于把 Agent 流程组织成可控的图结构。与“直接把问题丢给模型”不同，图结构可以明确 Planner、Tool Selector、Tool Executor、Reporter 等节点，每一步都有输入、输出和日志。MCP 的价值在于把外部工具标准化，文件读取、表格分析、文本摘要、数据库查询、知识库检索等能力都可以以统一工具形式提供给智能体。二者结合之后，AI Agent 不再只是对话框，而可以变成一个可审计、可扩展、可嵌入企业系统的办公自动化模块。

本文项目标题是：

大模型应用开发实战：LangGraph + MCP 构建可调用工具的企业办公智能体系统

这个标题覆盖了几个高频搜索词：大模型应用开发、LangGraph、MCP、AI Agent、工具调用、企业办公智能体、FastAPI 项目实战。它既适合 CSDN 技术读者搜索，也适合学生找课程设计/毕业设计选题，还适合企业读者理解 Agent 如何落到办公场景。

---

二、项目最终效果展示

项目运行后会打开一个 Web 页面。页面左侧是任务控制台，可以选择演示文件并输入自然语言任务；右侧展示 Agent 的最终回答、执行日志和结果图表。默认项目内置了销售数据、会议纪要和企业制度三个类型的样例文件，可以直接运行，不需要额外下载数据集。

当选择 sales_2025.csv 并输入销售分析任务后，系统会自动调用表格预览工具和销售分析工具。运行完成后，页面会展示最终回答、核心指标、报告路径以及图表。当前演示数据中，系统共分析了 1267 条订单记录，总销售额约 22,540,464.67 元，销量 3170 件，平均客单价约 17,790.42 元。销售额最高的产品是 知识库问答套件，销售额最高的区域是 华北，表现最好的月份是 2025-03。

项目还会展示 Agent 执行日志。日志不是装饰，而是这个项目的重点之一。企业场景里，系统为什么选择某个工具、调用了哪个文件、生成了什么报告，都应该留下记录；学生答辩时，日志也能清楚说明“智能体不是黑盒，而是按步骤执行”。

最终报告会自动保存到 outputs/reports/ 目录中，格式为 Markdown。报告包含任务信息、执行计划、工具结果、核心指标、建议和原始 JSON，既可以作为企业周报底稿，也可以作为课程设计运行结果材料。

销售分析任务还会生成三张结果图，分别是产品销售额对比、区域销售额对比和月度销售趋势。项目中的图表由代码运行得到，不是手工截图，因此报告和实际数据保持一致。

---

三、系统整体架构设计

这个项目采用 FastAPI + Agent 工作流 + MCP 工具注册中心 + 办公工具层的结构。前端页面负责收集用户任务和文件选择，FastAPI 后端负责提供接口，Agent 工作流负责任务拆解和工具编排，MCP 工具注册中心负责统一管理工具，具体工具层负责文件读取、表格分析、文本摘要和报告生成。

从工程角度看，这套架构有三个好处。

第一，Web 层和 Agent 层是分开的。前端页面不需要知道销售分析怎么做，也不需要知道文本摘要怎么实现，只要把任务和文件名提交给 /api/run_task 接口即可。

第二，Agent 层和工具层是分开的。Planner 负责理解用户要做什么，Tool Selector 负责决定调用什么工具，Tool Executor 只负责执行工具。后续如果要增加数据库查询、知识库检索、邮件发送、PPT 生成，只需要注册新工具，不需要重写整个系统。

第三，默认运行和高级扩展是分开的。为了保证项目包可以直接交付，当前默认实现了本地 LangGraph 风格工作流和 MCP 风格工具注册中心；如果读者已经安装官方 langgraph、mcp、langchain-mcp-adapters，可以在现有结构上替换为真实的 StateGraph 和 MCP Server。

---

四、项目目录结构

完整项目目录如下。目录命名全部使用英文，便于跨平台运行和后续上传 GitHub、CSDN 资源或课程设计材料。

langgraph_mcp_office_agent/
├── blog.md
├── README.md
├── requirements.txt
├── app.py
├── run_demo.py
├── run.bat
├── run.sh
├── configs/
│   ├── app_config.yaml
│   └── model_config.yaml
├── src/
│   ├── agents/
│   │   ├── office_agent.py
│   │   ├── graph_nodes.py
│   │   ├── state_schema.py
│   │   └── langgraph_optional.py
│   ├── tools/
│   │   ├── file_tools.py
│   │   ├── csv_tools.py
│   │   ├── text_tools.py
│   │   └── report_tools.py
│   ├── mcp_server/
│   │   ├── mcp_tool_registry.py
│   │   └── office_mcp_server.py
│   ├── services/
│   │   ├── task_service.py
│   │   ├── history_service.py
│   │   └── llm_service.py
│   └── utils/
│       ├── config_loader.py
│       ├── file_manager.py
│       └── logger.py
├── templates/
│   └── index.html
├── static/
│   ├── css/style.css
│   └── js/main.js
├── demo_data/
│   ├── sales_2025.csv
│   ├── sales_2025_sample.xlsx
│   ├── meeting_notes.txt
│   └── company_policy.txt
├── outputs/
│   ├── reports/
│   ├── history/
│   ├── logs/
│   └── charts/
├── images/
│   ├── figures/
│   └── results/
├── weights/
│   └── README_WEIGHTS.md
└── docs/
    ├── api_design.md
    ├── deployment.md
    └── project_report_outline.md

其中 app.py 是 Web 主程序，run_demo.py 是命令行验证脚本，src/agents/ 存放智能体流程，src/mcp_server/ 存放 MCP 工具注册与可选服务，src/tools/ 是真实办公工具实现，demo_data/ 是内置样例数据，images/results/ 是运行截图和结果图，outputs/reports/ 是自动生成的 Markdown 报告。

---

五、Agent 工作流设计

本项目的 Agent 流程分为五个核心阶段：接收任务、任务规划、工具选择、工具执行和结果汇总。流程图如下：

1. Start：接收用户任务

用户在网页中输入自然语言任务，例如：

请分析 2025 年销售数据，找出销售额最高的产品和区域，并生成经营分析建议。

同时选择文件：

sales_2025.csv

后端收到请求后，将任务文本、文件名和用户 ID 封装成 AgentState。这个状态会在后续节点之间流转，类似 LangGraph 中常见的状态对象。

2. Planner：生成执行计划

Planner 节点会根据任务关键词和文件类型判断任务属于哪一类。如果任务包含“销售、Excel、CSV、表格、数据、统计、排名、趋势”等关键词，系统会生成销售数据分析计划；如果任务包含“摘要、总结、会议、纪要、制度、文档”等关键词，系统会生成文本摘要计划。

销售分析任务的计划类似：

1. 读取用户选择的销售数据文件
2. 调用 MCP 表格分析工具统计核心经营指标
3. 生成产品、区域、月度趋势图
4. 根据工具结果生成办公分析结论
5. 保存 Markdown 分析报告

这一步的意义是让 Agent 的行为可解释。即使当前项目默认是 离线演示模式，也不是直接写死结果，而是先拆解任务，再按计划执行。

3. Tool Selector：选择 MCP 工具

Tool Selector 根据文件类型和任务意图选择工具。表格文件会选择：

preview_table
analyze_sales_table

文本文件会选择：

read_text_file
summarize_text_file

如果用户没有指定文件，系统会选择：

list_demo_files

这个设计让工具调用变得清晰。后续扩展真实 MCP Server 时，也可以沿用同样的工具名称和输入输出格式。

4. Tool Executor：执行工具调用

Tool Executor 会通过 MCPToolRegistry 调用工具。每个工具返回统一结构：

{
  "tool_name": "analyze_sales_table",
  "success": true,
  "message": "工具执行成功",
  "data": {
    "metrics": {},
    "summary": "...",
    "recommendations": [],
    "chart_paths": []
  }
}

统一结构的好处是 Reporter 不需要关心工具内部逻辑。只要工具返回 summary、metrics、recommendations 或 chart_paths，系统就能把它们整理进最终回答和 Markdown 报告。

5. Reporter：生成回答和报告

Reporter 会读取工具结果，拼接最终回答，并调用 report_tools.py 生成 Markdown 报告。报告会保存到 outputs/reports/，同时在 Web 页面展示路径。

---

六、MCP 工具注册中心设计

为了保证项目直接运行，当前项目没有强制依赖官方 mcp 包，而是实现了一个本地 MCP 风格工具注册中心。核心文件是：

src/mcp_server/mcp_tool_registry.py

工具注册中心维护两类信息：工具元数据和工具函数。工具元数据包括工具名称、说明和输入参数结构；工具函数是真正执行任务的 Python 函数。

例如销售分析工具的注册方式如下：

self.register(
    ToolSpec(
        name="analyze_sales_table",
        description="分析销售 CSV/Excel 文件，输出销售额、区域排名、产品排名、趋势图和建议。",
        input_schema={
            "type": "object",
            "properties": {"file_name": {"type": "string"}},
            "required": ["file_name"],
        },
    ),
    lambda file_name: analyze_sales_table(file_name),
)

Web 页面可以通过 /api/tools 查看所有工具。这个接口对调试很有帮助，也方便在博客和答辩中展示“系统有哪些可调用能力”。

当前项目内置 5 个工具：

list_demo_files       列出演示数据目录中的文件
preview_table         预览 CSV/Excel 表格结构
analyze_sales_table   分析销售数据并生成图表
read_text_file        读取文本文件内容
summarize_text_file   对会议纪要或制度文档生成摘要

如果后续要扩展企业功能，可以继续注册新工具，例如：

query_customer_db     查询客户数据库
search_knowledge_base 检索企业知识库
send_email_draft      生成邮件草稿
create_ppt_outline    生成汇报 PPT 大纲
submit_oa_request     提交 OA 审批请求

真正用于企业环境时，涉及写入数据库、发送邮件、提交审批流的工具应增加人工确认节点。办公 Agent 最忌讳“模型直接执行高风险动作”，所以建议把工具分为只读工具和写入工具，并对写入工具增加权限控制和审计日志。

---

七、销售数据分析模块实现

销售数据分析模块位于：

src/tools/csv_tools.py

它的输入是 demo_data/sales_2025.csv 或 sales_2025_sample.xlsx，输出包括核心指标、产品销售额、区域销售额、月度趋势、文字总结、经营建议和图表路径。

数据字段如下：

date            日期
region          区域
product         产品
channel         渠道
customer_type   客户类型
quantity        数量
unit_price      单价
revenue         销售额

工具内部会先统一字段名称，兼容“销售日期、日期、地区、区域、产品、商品、数量、单价、销售额”等中文字段。这样做是为了更贴近企业真实数据，因为很多企业 Excel 字段命名并不统一。

核心计算逻辑包括：

total_revenue = float(df["revenue"].sum())
order_count = int(len(df))
total_quantity = int(df["quantity"].sum())
avg_order_value = float(total_revenue / max(order_count, 1))

product_revenue = df.groupby("product")["revenue"].sum().sort_values(ascending=False)
region_revenue = df.groupby("region")["revenue"].sum().sort_values(ascending=False)
monthly_revenue = df.groupby("month")["revenue"].sum().sort_index()

当前演示运行结果显示：

指标	结果
订单数量	1267
总销售额	22,540,464.67 元
总销量	3170
平均客单价	17,790.42 元
销售额最高产品	知识库问答套件
销售额最高区域	华北
最佳月份	2025-03

这些结果会被写入最终回答和 Markdown 报告。更重要的是，工具还会生成图表，并把图表复制到 images/results/ 目录，便于博客引用。

这个模块的企业价值比较直接。销售、运营、财务、市场部门经常需要根据 Excel 生成周报或月报。如果把这个工具接入真实企业数据库，Agent 就可以从“分析样例数据”升级成“分析实际业务数据”。如果再接入权限系统和任务调度，就可以变成自动经营分析助手。

---

八、文本摘要模块实现

文本摘要模块位于：

src/tools/text_tools.py

项目默认提供两个文本样例：

meeting_notes.txt     企业办公智能化项目周会纪要
company_policy.txt    企业办公数据安全与智能助手使用制度

为了保证项目无模型也能运行，默认摘要算法采用轻量级抽取式摘要。它会对文本进行简单分句，统计关键词频次，并对包含“结论、计划、问题、制度、规范、数据、Agent、工具”等关键词的句子增加权重，然后选出代表性句子。

这不是为了替代大模型摘要，而是为了保证项目包在任何 CPU 环境下都能跑通。真实业务里，可以把 text_tools.py 的摘要函数替换成 LLM 调用，也可以把它接入 RAG 知识库。

当前会议纪要摘要任务的输出片段如下：

1. 完成办公 Agent 的基础流程设计，包含任务规划、工具选择、工具执行和报告生成。 3. 完成文本摘要工具，可以对会议纪要和企业制度进行压缩摘要。 3. 工具调用日志需要更清晰，方便企业审计和学生答辩展示。 1. 接入 MCP 工具注册接口，将文件读取、数据分析、文本摘要、报告生成统一封装。 2. 优化 Agent 工作流，增加任务分类节点和结果解释节点。 本项目适合做成企业办公 AI Agent 原型，也适合高校大模型应用开发课程设计。

可以看到，系统会提炼项目背景、已完成内容、存在问题和下周计划。对于学生项目来说，这个模块可以写成 NLP 文本摘要功能；对于企业来说，它可以用于会议纪要整理、制度摘要、项目文档归纳和周报初稿生成。

---

九、FastAPI 接口设计

项目使用 FastAPI 提供后端服务。主入口是：

app.py

核心接口如下：

GET  /              Web 首页
GET  /api/files     获取演示文件列表
GET  /api/tools     获取 MCP 工具清单
POST /api/run_task  运行 Agent 任务
GET  /api/history   查看历史记录
GET  /report/{report_file} 下载 Markdown 报告

运行任务的请求体如下：

{
  "task": "请分析 2025 年销售数据，找出销售额最高的产品和区域，并生成经营分析建议。",
  "file_name": "sales_2025.csv",
  "user_id": "demo_user"
}

接口返回体包含：

task            用户任务
file_name       输入文件
plan            执行计划
selected_tools  选择的工具
tool_results    工具执行结果
final_answer    最终回答
report_path     报告路径
chart_paths     图表路径
steps           执行日志
created_at      创建时间

这种返回结构适合前端展示，也适合二次开发。企业后续可以把它对接到内部系统，学生可以直接把接口设计写入项目报告。

---

十、前端页面实现

前端页面位于：

templates/index.html
static/css/style.css
static/js/main.js

页面没有使用复杂前端框架，主要是为了降低运行门槛。很多课程设计和源码交付项目，越简单越容易复现。前端通过 fetch 调用 /api/run_task，拿到结果后渲染最终回答、执行日志和图表。

核心交互流程是：

选择文件 → 输入任务 → 点击运行智能体 → 请求后端接口 → 渲染结果

前端也会调用 /api/tools 展示工具清单，这样读者打开页面后能直接看到系统当前具备哪些能力。

如果要进一步升级，可以把前端改成 Vue、React 或 Ant Design Pro，也可以增加登录注册、角色权限、任务看板、报告下载、历史记录详情和后台管理页面。但对于本文项目实战来说，当前版本已经具备完整演示能力。

---

十一、如何运行项目

1. 创建环境

Windows 推荐：

python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt

Linux / macOS 推荐：

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

2. 启动 Web 系统

python app.py

浏览器访问：

浏览器访问运行日志中显示的本地地址

3. 运行命令行验证

python run_demo.py

运行完成后会生成：

outputs/reports/office_agent_report_*.md
outputs/history/task_history.json
images/results/cli_run_result.json
images/results/sales_product_chart.png
images/results/sales_region_chart.png
images/results/sales_monthly_chart.png

项目也提供了 Windows 和 Linux/macOS 启动脚本：

run.bat
run.sh

---

十二、模型权重与可选大模型配置

本项目默认不需要下载任何权重文件。weights/README_WEIGHTS.md 中已经写明了扩展说明。

默认配置如下：

llm:
  provider: "mock"

离线演示模式可以直接运行，适合课程设计、项目演示、CSDN 资源交付和无网络环境。如果想接入 Ollama，可以修改为：

llm:
  provider: "ollama"

ollama:
  base_url: "你的本地 Ollama 地址"
  model_name: "qwen2.5:7b"

然后执行：

ollama pull qwen2.5:7b
ollama serve

如果企业已有 OpenAI-compatible 网关，可以修改为：

llm:
  provider: "openai_compatible"

openai_compatible:
  api_base: "https://your-api-base/v1"
  api_key: "YOUR_API_KEY"
  model_name: "your-model-name"

需要注意，API Key 不要写入公开仓库，也不要放进博客截图里。企业内网部署时，建议使用环境变量或密钥管理服务保存密钥。

---

十三、官方 LangGraph 与 MCP 如何接入

当前项目默认实现本地兼容版本，是为了保证项目包开箱即跑。但项目中已经预留两个扩展文件：

src/agents/langgraph_optional.py
src/mcp_server/office_mcp_server.py

langgraph_optional.py 展示了如何把 Planner、Tool Selector、Tool Executor、Reporter 节点编译成官方 LangGraph 的 StateGraph。安装依赖后，可以参考该文件进行替换：

pip install langgraph

office_mcp_server.py 展示了如何在安装官方 MCP SDK 后，把本项目工具暴露成 MCP Server：

pip install mcp
python -m src.mcp_server.office_mcp_server

如果进一步安装 langchain-mcp-adapters，就可以把 MCP 工具转换为 LangChain / LangGraph 可用工具，接入更完整的 Agent 生态。本文项目的好处是把目录、工具、接口和业务功能先搭好，后续替换底层框架时不需要推翻业务代码。

---

十四、项目适合大学生怎么用

这个项目非常适合作为大模型应用开发课程设计或毕业设计。题目可以改成：

基于 LangGraph 和 MCP 的企业办公智能体系统设计与实现
基于大模型工具调用的办公自动化助手设计与实现
基于 FastAPI 的 AI Agent 数据分析与文档摘要系统

报告中可以突出以下内容：

第一，系统有完整需求背景。企业办公中存在 Excel 分析、会议纪要整理、报告生成耗时的问题，AI Agent 可以降低重复劳动。

第二，系统有明确技术路线。前端页面、FastAPI 接口、Agent 工作流、MCP 工具注册、数据分析、文本摘要和报告生成都可以写进技术章节。

第三，系统有可运行结果。项目提供运行截图、图表和自动生成报告，不只是代码片段。

第四，系统有扩展空间。后续可以接入真实大模型、本地知识库、企业数据库、OA 审批流、邮件系统和用户权限。

如果需要写项目报告，可以参考 docs/project_report_outline.md。里面已经给出摘要、绪论、相关技术、需求分析、系统设计、系统实现、测试和总结的章节结构。

---

十五、项目适合企业怎么扩展

企业场景下，这个项目可以作为办公智能体原型。当前 demo 只处理本地样例文件，但架构可以继续扩展。

1. 接入企业数据库

可以新增工具：

query_sales_database
query_customer_profile
query_contract_records

这些工具通过只读账号连接数据库，返回结构化查询结果。Agent 再根据任务选择是否调用数据库工具。

2. 接入企业知识库

可以新增 RAG 工具：

search_policy_knowledge_base
search_product_faq
search_project_documents

这样用户可以询问制度、产品、售后、项目资料，Agent 根据检索结果生成回答并给出来源。

3. 接入 OA / CRM / ERP

可以把工具调用扩展到业务系统，但必须增加权限控制。例如查询客户信息可以自动执行，提交审批、发送邮件、修改订单必须人工确认。

4. 接入企业私有大模型

企业如果有内网大模型网关，可以通过 openai_compatible 配置接入。模型负责更自然的任务理解和报告润色，工具负责真实数据处理，这样可以减少模型幻觉带来的风险。

---

十六、常见问题与解决思路

1. 为什么默认不用真实大模型

因为项目交付首先要保证能运行。很多读者没有 GPU、没有 API Key、没有本地模型环境，如果项目必须依赖大模型，运行门槛会明显提高。当前版本用 离线演示模式与规则工具保证演示闭环，同时保留真实大模型接口。

2. 为什么不直接把所有逻辑写在一个函数里

AI Agent 项目需要可解释、可扩展和可审计。如果把文件读取、数据分析、摘要、报告生成都写在一个函数里，短期能跑，但后期很难扩展。拆成 Planner、Tool Selector、Tool Executor、Reporter 后，系统结构更清楚，也更适合写项目报告。

3. 为什么要保留 MCP 工具注册中心

MCP 的核心价值是把外部工具标准化。即使当前项目没有强制安装官方 MCP SDK，本地工具注册中心也能让读者理解工具元数据、输入参数、统一调用和统一返回的设计方式。后续接官方 MCP Server 时，业务工具可以复用。

4. 图表中文乱码怎么办

如果运行环境没有中文字体，Matplotlib 可能出现中文方块。可以安装 Noto Sans CJK、微软雅黑、黑体等字体，或者在 src/tools/csv_tools.py 中修改字体列表。

5. 如何替换自己的 Excel

把自己的 Excel 放到 demo_data/，字段尽量包含日期、区域、产品、数量、单价、销售额。项目已经支持部分中文字段映射，例如“销售日期、日期、地区、区域、产品、商品、数量、单价、销售额”。

---

十七、参考资料

• LangGraph 官方文档：https://docs.langchain.com/oss/python/langgraph/overview
• LangGraph GitHub：https://github.com/langchain-ai/langgraph
• Model Context Protocol 官方文档：https://modelcontextprotocol.io/docs/getting-started/intro
• MCP Python SDK：https://github.com/modelcontextprotocol/python-sdk
• LangChain MCP Adapters：https://github.com/langchain-ai/langchain-mcp-adapters
• FastAPI 官方文档：https://fastapi.tiangolo.com/
• Pandas 官方文档：https://pandas.pydata.org/docs/

---

十八、总结

本文完成了一个可直接运行的企业办公 AI Agent 项目。它不是停留在“Agent 概念介绍”，而是围绕真实办公任务实现了 Web 页面、任务规划、MCP 工具调用、CSV/Excel 数据分析、文本摘要、执行日志、图表生成和 Markdown 报告输出。项目默认不依赖模型权重，能够在普通 CPU 环境直接运行；同时保留官方 LangGraph、MCP、Ollama 和 OpenAI-compatible API 扩展入口。

对于大学生，这个项目可以作为课程设计、毕业设计、软件工程实践或大模型应用开发项目；对于企业，它可以作为内部办公自动化助手的原型，后续接入数据库、知识库、OA、CRM、ERP 和私有化大模型。对于 CSDN 发布来说，这个题目具备清晰热点、完整源码、运行截图和实际业务场景，适合做成项目实战长文。