shikaao141. 项目概述：基于通义千问与LangGraph的多Agent协作PRD生成系统
这个项目实现了一个由多个AI Agent协作完成产品需求文档（PRD）生成的自动化流程。通过模拟真实产品开发团队中的角色分工（产品经理、技术负责人、设计师、测试工程师），每个Agent专注于自己的专业领域，最终输出经过多方评审的完整PRD文档。
核心价值在于：
- 解决了传统PRD撰写中信息不完整、视角单一的问题
- 通过多角色协作自动完成需求分析、技术评估、交互设计和测试方案
- 基于状态机模型实现流程控制，模拟真实产品开发流程
技术栈组合非常巧妙：
- 通义千问（Qwen）作为底层大语言模型提供专业领域知识
- LangGraph构建多Agent协作的工作流引擎
- 状态机模型确保评审流程有序推进
我在实际测试中发现，相比单一大模型直接生成PRD，这种多Agent协作方式产出的文档：
- 技术可行性评估更准确
- 交互设计考虑更周全
- 测试用例覆盖更全面
- 最终文档结构更规范
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心架构设计解析
2.1 角色分工与协作流程
系统设计了5个核心Agent，模拟真实产品团队：
-
PM（产品经理）：
- 职责：根据初始需求撰写PRD初稿
- 输出：prd_draft
- 工作内容：需求背景、用户故事、功能列表、优先级
-
Tech Lead（技术负责人）：
- 职责：评估技术可行性
- 输出：tech_review
- 工作内容：技术方案选型、实现难度评估、风险点
-
Designer（设计师）：
- 职责：提供交互设计方案
- 输出：design_review
- 工作内容：界面流程、交互细节、用户体验优化
-
QA（测试工程师）：
- 职责：制定测试方案
- 输出：qa_review
- 工作内容：测试场景、用例设计、验收标准
-
Moderator（协调者）：
- 职责：控制流程流转
- 输出：next_agent
- 工作内容：判断当前阶段是否完成，决定下一步执行哪个Agent
实际测试中发现，Tech Lead和Designer的评审意见经常会出现冲突（如技术实现限制与理想