FastAPI + LangGraph｜从零带你开发电商数据分析系统，融合 MCP、RAG 与多 Agent 协作

课程简介

围绕商品、订单和买家评价，开发一套能用自然语言查数据、分析问题并生成诊断报告的电商数据分析 Agent。用户可以问销量与订单，也可以追问商品差评、包装破损、晒图里的质量问题；系统查询业务数据、整理证据，再给出分析结果。

课程以 FastAPI + LangGraph 的后端与 Agent 核心链路为主线，配套 Vue 3 管理端。你会把 NL2SQL、RAG、MCP、多智能体协作和人工确认接进同一个项目，完成从数据查询到诊断、从流程编排到运行观测的完整开发过程。

成品对话页同时展示查询过程和最终回答：当前由哪个 Agent 处理、查询走了哪条路径、取回了哪些证据、是否需要人工确认，都有对应的过程记录。以下界面使用课程示例数据。

业务场景与项目功能

自然语言查询商品、订单和评价

「最近哪些商品销量最高？」「静音蓝牙耳机的差评有哪些？」这类带有统计口径或具体商品的问题，由系统生成 SQL，查询 MySQL 中的商品、订单和评价，再根据结果组织回答。

开发时会接上表结构提示、SQL 结构校验、允许查询的表、结果条数限制与超时处理。遇到执行错误时，将错误反馈给模型进行有限重试；统计查询失败时明确说明无法得出统计结论。

这部分能帮助你完成企业内部常见的“自然语言查业务数据”功能，并理解模型生成的 SQL 在执行前需要经过哪些约束。

从不同措辞和买家晒图中找问题

「洗了缩水」和「缩水严重，洗一次短了一截」用词不同，但可以通过语义检索关联。系统将商品描述、评价正文向量化，按问题召回相关片段，并保留来源、评分和相似距离，便于核对回答依据。

带图评价还会经过图片描述 → 与评价正文合并 → 向量入库的处理。例如晒图里的开胶、划痕或包装破损，可以作为检索线索参与分析；图片描述失败时保留文字评价。课程会讲清图片信息怎样接入 RAG，以及如何验证召回片段是否相关。

诊断报告、预警与人工复核

当查询结果出现差评信号，系统整理证据并规划允许的业务动作：保存诊断报告、发送站内预警、标记商品待人工复核。差评按商品分别判断，避免把多个商品的证据混在一起处理。

涉及预警或待复核时，整组业务动作暂停等待确认。 用户确认后才执行，取消则跳过；低风险报告可以自动保存。证据不足时不规划业务动作。

flowchart TD
  A[证据与动作判断] --> B{是否需要人工确认}
  B -->|低风险| C[自动保存诊断报告]
  B -->|预警或待复核| D[暂停并展示待执行动作]
  D -->|确认| E[执行报告、预警或待复核标记]
  D -->|取消| F[跳过业务动作]
  classDef evidence fill:#eaf3ff,stroke:#5b8def,color:#173d70
  classDef decision fill:#f0eaff,stroke:#a180d5,color:#50357c
  classDef confirm fill:#fff3d6,stroke:#d3a044,color:#73521b
  classDef execute fill:#e7f5e9,stroke:#60a970,color:#285e35
  classDef cancel fill:#fdeced,stroke:#cc7b83,color:#80333d
  class A evidence
  class B decision
  class D confirm
  class C,E execute
  class F cancel

Agent 的业务操作范围明确限定在上述三类动作。商品价格、库存、上下架和订单状态保持只读；真正的经营处置由人决定。课程会实现确认、取消、恢复和并发保护，讲清“能查数据”到“能执行动作”之间的职责边界。

店铺概览与一键巡检

首页集中展示商品与订单数量、成交金额、评分分布、订单趋势和需要关注的商品。一键巡检用预设问题触发同一套分析流程，存在待确认动作时继续等待人工处理。

项目同时提供商品、订单、评价的查询页面。原始业务数据与 Agent 的分析结果可以相互核对，便于演示、联调和排查问题。

运行历史、步骤回看与反馈

运行历史记录提问、查询路径、状态、耗时、回答摘要及各步骤结果。观测看板汇总运行情况与阶段耗时；点赞、点踩用于收集用户反馈。

这部分会让你具备检查 Agent 运行情况的能力：慢在哪个阶段、失败发生在哪一步、哪类回答需要改进，都能从记录中查找依据。

核心技术与设计

SQL 查询与语义检索如何配合

明确商品、订单号和统计口径的问题走结构化查询；模糊的评价主题走语义检索。查询路由由规则代码判断，大模型负责 SQL 生成和回答总结。必要时，结构化结果会继续触发语义深挖，补充相关评价。

你会学习两种查询的适用范围、结果合并与相关性判断，以及为什么几条评价片段不能代替销量、金额等统计结果。多轮对话则通过短期上下文处理「它的评价」「还有别的吗」这类承接问题。

多智能体怎样分工

项目用一张 LangGraph 状态图组织流程，划分查询分析、报告决策两个 Agent，并由调度节点完成启动和交接。

flowchart TD
  A[自然语言提问] --> B[调度启动]
  B --> C[查询分析 Agent]
  C --> D[路由、SQL 或语义检索、证据整理]
  D --> E[调度交接]
  E --> F[报告决策 Agent]
  F --> G[动作规划、人工确认与执行]
  classDef input fill:#eaf3ff,stroke:#5b8def,color:#173d70
  classDef scheduler fill:#f0eaff,stroke:#a180d5,color:#50357c
  classDef query fill:#e5f6f3,stroke:#3c9b8b,color:#15594d
  classDef report fill:#fff3d6,stroke:#d3a044,color:#73521b
  classDef execute fill:#e7f5e9,stroke:#60a970,color:#285e35
  class A input
  class B,E scheduler
  class C,D query
  class F report
  class G execute

模型生成内容、程序控制流程，各自承担明确的职责。课程会从状态、节点和条件边开始，逐步完成角色交接、异常定位与过程事件。

MCP 与 SSE 各负责什么

MCP 将 MySQL 查询、Chroma 检索和历史运行查询封装成三个标准工具。LangGraph 查询节点通过 MCP Client 调用 Server，工具内部复用已有业务服务。

SSE 将阶段进度、Agent 交接、回答内容和待确认事件推送到前端。你会把后台运行状态与前端对话状态接起来，完成一个过程可见、能等待人工确认的交互流程。

学习路线

课程从业务数据与读取接口开始，再逐步加入查询、检索、编排和行动能力。

flowchart TD
  A[业务数据与读取接口] --> B[SSE 对话与 NL2SQL]
  B --> C[语义检索与查询路由]
  C --> D[LangGraph 与多智能体]
  D --> E[动作决策与人工确认]
  E --> F[MCP、运行观测与多模态]
  classDef data fill:#eaf3ff,stroke:#5b8def,color:#173d70
  classDef sql fill:#e5f6f3,stroke:#3c9b8b,color:#15594d
  classDef retrieval fill:#e7f5e9,stroke:#60a970,color:#285e35
  classDef orchestration fill:#f0eaff,stroke:#a180d5,color:#50357c
  classDef action fill:#fff3d6,stroke:#d3a044,color:#73521b
  classDef tools fill:#fdeced,stroke:#cc7b83,color:#80333d
  class A data
  class B sql
  class C retrieval
  class D orchestration
  class E action
  class F tools

1. 数据底座：运行脚手架，设计商品、订单、评价与 Agent 记录表，导入示例数据，完成业务读取接口。
2. 结构化查询：搭建 SSE 对话骨架，实现自然语言转 SQL、SQL 校验、执行限制与错误处理。
3. 检索与上下文：完成向量入库、语义检索、查询路由与多轮问题处理。
4. 流程编排：用 LangGraph 管理状态、节点、条件边、证据准备及多智能体交接。
5. 动作与确认：规划报告、预警和待复核动作，实现人工确认、取消、恢复与并发保护。
6. 工具与工程完善：接入 MCP Server / Client、运行历史、反馈与观测，加入晒图描述并走查完整项目。

学完能完成什么

• 开发自然语言查数据功能：从业务表结构、模型生成到校验与执行，接通完整 NL2SQL 链路。
• 为业务资料加入 RAG：建立文本与图片描述索引，核对召回来源、相关性和回答依据。
• 组织多步骤 Agent 流程：划分节点职责与角色交接，处理条件分支、失败和人工介入。
• 把写操作纳入明确边界：实现动作白名单、确认与取消，理解并发保护和恢复条件。
• 完成前后端联调与运行排查：通过 SSE 展示过程，从历史、步骤和耗时记录中定位问题。

这些能力可以用于扩展内部数据助手、评价分析、知识库问答和需要人工确认的业务流程。作品展示时，你也能围绕查询选择、SQL 约束、证据判断、角色分工与确认机制，解释每项设计对应的业务问题。

适合谁与前置基础

• 有 Python 基础，想完成一个带业务数据和完整界面的 Agent 项目。
• 已经会调用大模型 API，希望进一步接入数据库、RAG、MCP 与流程编排。
• 希望做出可演示的作品，并能讲清核心代码与工程取舍。

需要能读懂 Python 函数与类，了解 HTTP、数据库和基本 SQL。不要求提前掌握 LangGraph、向量检索或 Vue；通用登录、用户与权限能力沿用脚手架。

技术栈与运行环境

本地运行需要 Node.js 22.18+（22 LTS）或 24.12+、Python 3.12+、MySQL 8。对话、向量和视觉能力需配置相应模型服务，图片描述需使用支持视觉的模型；模型 API 费用由所选服务计费。

项目采用单进程教学运行方式，人工确认检查点保存在内存中，重启后待确认任务失效。课程会说明这一运行边界；运行历史保存在数据库，可继续回看。

教学方式与配套资料

重点带敲后端与 Agent 核心链路：业务读取、SSE 对话、NL2SQL、SQL 约束、向量检索、路由、LangGraph、动作决策、人工确认与 MCP。前端页面、通用样板及部分辅助实现配套提供代码与讲解，每个主题结合接口或示例问题验证结果。

配套内容围绕项目组织：

• 图文笔记与章节代码：对应功能、原理、实现和验证方式。
• 前后端项目代码：对话、业务查询、运行历史、报告、看板与 Agent 核心模块。
• 数据库结构与示例数据：商品、订单、评价及报告与运行记录，配套数据导入与索引重建脚本。
• 环境配置示例：自行填写数据库连接与模型密钥，重建本地向量索引。
• 项目验证代码：用于检查 SQL 约束、人工确认、反馈权限等行为。

按课时提供配套源码

课程源码通过 GitHub 私有仓库持续更新，每节提供对应的 Release 和 Tag，具体版本见各节笔记末尾，方便按学习进度获取代码、对照改动与排查问题。

仓库访问方式

有效 VIP 会员可扫描网站底部二维码，联系站长申请私有仓库访问权限。

教程按章节更新，已发布内容见「课程大纲」；源码包以页面当前开放的下载项为准。知识库向量需在本地重建，运行环境与模型服务需自行配置。