独立项目详情页

NLP 多 Agent 智能考试系统

LangChain + LangGraph 多 Agent 协作 + RAG 动态出题 + 企业级工程

这个项目是对原手写 Agent 系统的全面工程升级：从单 Agent 手写循环升级为 LangGraph 状态图驱动的 4-Agent 协作架构，从 Claude API 切换到 DeepSeek 国产模型，从自由对话升级为结构化考试流程（40 题、计时、倒计时），并增加了插件化工具发现、中断恢复、三层容错、Agent 调用链追踪等企业级功能。

LangChainLangGraphDeepSeekFastAPINext.js 14ChromaDBWebSocketEdge TTSDockerMonaco Editor

查看 GitHub

4-Agent LangGraph 状态图编排

16 个 NLP 知识领域 RAG 动态出题

5 种题型 + 自适应难度 + 三层容错

项目挑战

原手写 Agent 项目在面试中被反馈“工程复杂度不足”：单 Agent 架构没有多 Agent 协作、缺少考试流程控制（计时/顺序出题）、评分完全依赖 LLM 缺乏客观评估、没有 TTS 语音播报。需要升级为具备企业级工程特征的多 Agent 系统。

解决思路

核心设计是“4-Agent 协作 + LangGraph 状态图编排”：Proctor 作为协调者用纯规则策略调度（不调 LLM），Examiner 通过 RAG + LLM 动态生成题目（非题库抽取），Grader 客观题自动判分 + 主观题异步 LLM 评分，Reporter 汇总生成详细报告。流水线并行策略让用户答题时后台同时出题和评分。

工程实现

项目按 agents / graph / rag / tools / session / memory / observability / resilience 八层组织。LangGraph 状态图定义了完整的考试循环节点与条件边；tools/ 目录支持插件化自动发现；session/ 实现中断恢复检查点；resilience/ 实现重试+超时+降级三层容错；observability/ 记录每个 Agent 的调用耗时和 token 消耗。Docker Compose 一键部署前后端。

项目价值

这个项目最能体现“从手写到框架”的技术演进：先用原项目展示对 Agent 底层机制的理解，再用本项目展示 LangChain/LangGraph 框架能力和工程落地能力。4-Agent 协作、流水线并行、三层容错、插件化工具等设计体现了生产环境的架构思维。

项目拆解

亮点、过程与结果

核心亮点

4-Agent 协作架构：LangGraph StateGraph 编排 Proctor（规则策略调度，不调 LLM）、Examiner（RAG + LLM 出题）、Grader（客观题自动判分 + 主观题 AI 多维评分）、Reporter（LLM 生成 Markdown 报告），策略与执行分离。

RAG 动态出题：16 篇 NLP 知识文档 + ChromaDB 向量检索 + DeepSeek 动态生成选择题/判断题/简答题/编程题/案例分析题 5 种题型，非题库抽取，每次考试题目不重复。

企业级工程能力：插件化工具自动发现（零配置扩展）、中断恢复检查点（JSON 持久化）、三层容错（重试 + 超时 + 降级）、Agent 调用链追踪（可观测性）、Docker 一键部署。

实现过程

设计 LangGraph 状态图：定义 ExamState 全局状态，实现 init_exam → plan_question → generate_question → present_question → wait_for_answer → grade_answer → update_state → check_exam_end 节点与条件边。

实现 4 个 Agent：Proctor 管流程与策略（规则驱动不调 LLM），Examiner 管 RAG 检索 + LLM 出题，Grader 管客观题自动评分 + 主观题 LLM 多维评分，Reporter 管最终 Markdown 报告生成。

设计异步流水线并行策略：用户答题时 Grader 后台异步评分 + Examiner 预加载下一题，客观题 0 次 LLM 调用瞬间出分，整体减少约 45% LLM 调用。

实现企业级功能：tools/ 目录自动扫描注册工具、考试进度 JSON 检查点持久化、LLM 调用三层容错（指数退避重试 + 超时降级 + 备选题缓存）、Agent 调用链 JSON 日志追踪。

搭建 Next.js 14 前端：考试配置页、答题页（Monaco 代码编辑器 + 倒计时 + 进度条）、报告页（Recharts 雷达图 + Markdown 渲染 + 下载）、错题本、学习画像 + 考试历史。

结果总结

完成从单 Agent 到多 Agent 的架构升级，LangGraph 状态图清晰编排 4 个 Agent 的协作流程，面试中可展示对 LangChain/LangGraph 生态的深度理解。

异步流水线策略实现用户零等待体验：答题同时后台出题 + 评分，比原项目减少约 45% LLM 调用。

自适应难度 + 跨会话用户画像 + 错题本 + Edge TTS 语音播报 + WebSocket 实时计时 + Docker 一键部署，展示完整的全栈 AI 工程能力。

当前已经是第一个项目

下一项目

词典增强的 BERT 双分支情感分类与 Qwen2-LoRA 微调

从双分支建模到蒸馏量化与 LoRA 微调