Wong Kosheng1. 项目概述：AI驱动的公共资源交易数据分析平台
在公共资源交易领域，数据分析一直面临着数据量大、维度复杂、分析门槛高的挑战。传统的数据分析方式需要专业人员编写SQL查询或使用BI工具，这对非技术背景的用户极不友好。我们基于LangGraph和LangChain构建的AI代理系统，通过自然语言交互的方式，让用户能够像与专家对话一样获取所需的分析结果。
这个系统的核心价值在于：
- 降低使用门槛：普通业务人员无需学习SQL或数据分析工具，用自然语言即可获取专业分析
- 提升分析效率：自动完成从数据查询到报告生成的全流程，将原本需要数小时的工作缩短至分钟级
- 深度分析能力：不仅提供基础统计，还能进行招标人行为分析、投标人画像等专业分析
系统目前支持四大核心功能模块：
- 智能数据查询：支持多条件组合查询，如"查询2023年北京市住建领域超过1000万的市政工程项目"
- 多维统计分析：自动计算总量、分布、趋势等关键指标
- 专项主体分析：对招标人、投标人等主体进行深度行为分析
- 自动化报告生成：一键生成包含图表和文字分析的半年度报告
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. 系统架构设计与技术选型
2.1 整体架构设计
系统采用分层架构设计，各层职责明确：
code复制前端展示层 → API网关层 → AI代理层 → 工具执行层 → 数据存储层
前端展示层：提供Web界面和API接口，支持同步和流式响应
API网关层：基于FastAPI实现，处理请求路由、认证和限流
AI代理层：核心智能中枢，理解用户意图并调度工具
工具执行层：具体功能的实现模块
数据存储层：MySQL关系型数据库 + S3对象存储
提示：流式响应设计特别适合长时间运行的分析任务，可以让用户实时看到处理进度，避免长时间等待的焦虑感。
2.2 核心技术栈解析
LangChain与LangGraph的协同工作：
- LangChain负责工具集成和记忆管理
- LangGraph实现复杂的工作流编排
- 两者结合既保持了灵活性，又能处理复杂的分析流程
数据库选型考虑：
- 使用SQLAlchemy作为ORM，支持多种数据库后端
- 生产环境推荐PostgreSQL，因其在复杂查询和分析场景下性能更优
- 对大型文件(如原始招标文件)使用S3存储，避免数据库膨胀
模型选择依据：
- 选用doubao-seed-1-6-251015模型，因其在结构化数据理解和生成方面表现优异
- 温度参数设为0.7，平衡创造性和稳定性
- 最大令牌数10000，确保长报告生成的完整性
3. 核心模块实现细节
3.1 AI代理的智能调度机制
代理系统的核心是agent.py中的智能调度逻辑：
python复制async def dispatch_tool(tool_name, params):
# 检查工具可用性
if tool_name not in registered_tools:
raise ValueError(f"Tool {tool_name} not available")
# 获取工具实例
tool = get_tool(tool_na