Datacamp MCP Multiagent Demo

推广顾问——基于LangGraph+MongoDB Atlas的多代理系统

人工智能驱动的推广包准备：定义你的目标角色，记录你的项目，生成影响分析，并发现类似的专业人员——所有这些都是与 LangGraph，坚持 MongoDB 阿特拉斯，并包裹在 格拉迪奥 UI。

______________________________________________________________________

🎯 这有什么作用

A. 实用的人工智能工作流程 这有助于你为职业发展做好准备：

• 🎯 目标角色生成器 → 定义你的晋升目标（例如。， *资深工程师*, *高级项目经理*, *AI副总裁*)
• 📁 项目策划人 → 从自由文本中提取带有指标的结构化项目记录
• 📊 冲击分析仪 → 生成具有优势、差距和建议的执行就绪报告
• 👥 导师查找器 → 在LinkedIn上发现类似的专业人士（通过Tavily搜索）
• ⬇️ 出口 → 在Markdown中下载完整的推广包

______________________________________________________________________

🎬 在行动中看到它

📺 观看完整的演示演练： AI驱动的推广顾问-完整演示（3分钟）

📸 More Screenshots

初始界面

完成工作流程

##

##

生成的影响报告

代理执行跟踪

______________________________________________________________________

🚀 快速开始

1.克隆存储库

git clone https://github.com/mikikob-mongodb/datacamp-mcp-multiagent-demo.git
cd datacamp-mcp-multiagent-demo
git checkout v1_webinar_version

2.设置环境变量

cp env.template .env

编辑 .env 并添加您的API密钥：

OPENAI_API_KEY=sk-your-key-here
MONGODB_URI=mongodb+srv://your-connection-string
TAVILY_API_KEY=tvly-your-key-here  # Optional

获取API密钥：

• OpenAI: https://platform.openai.com/api-keys（最低信用额5美元）
• MongoDB 阿特拉斯: https://www.mongodb.com/cloud/atlas/register（免费M0集群）
• 塔维利 *（可选）*: https://tavily.com（每月1000次免费搜索）

3.安装依赖项

make setup

这将：

• 终止端口7860上的所有进程
• 创建虚拟环境
• 安装所有必需的软件包
• 设置开发工具（linters/formatter）

4.运行应用程序

source .venv/bin/activate  # Windows: .venv\Scripts\activate
make run

打开浏览器： http://localhost:7860

______________________________________________________________________

📋 运作原理

1. 开始 → 聊天界面询问： *“你的目标是什么角色？”*
2. 定义角色 → AI解析你的目标并设定期望（重点领域、责任、成功指标）
3. 添加项目 → 粘贴项目描述；AI提取上下文、动作、结果和指标
4. 生成报告 → 通过以下方式进行高管准备的影响分析：

- 有具体证据支持的优势 - 需要解决的差距 - 可采取行动的建议 - 行业薪资数据（如果启用了Tavily）

1. 人指导 *（可选）* → 发现类似职位的专业人士的LinkedIn个人资料
2. 下载 → 将完整的促销包导出为Markdown

______________________________________________________________________

🛠️ 开发命令

可用的生成命令

make setup       # Create venv and install all dependencies
make run         # Run the application (kills port first)
make lint        # Check code for issues
make format      # Auto-fix and format code
make clean       # Remove cache files
make clean-all   # Remove cache files AND venv
make kill-ports  # Kill process on port 7860
make help        # Show all available commands

完整重置脚本

为了重新开始（在开发或调试过程中很有用）：

./reset.sh

什么 reset.sh 做：

1. 检查您是否处于虚拟环境中并发出警告
2. 停用venv（在脚本上下文中）
3. 跑 make clean-all 删除所有缓存和venv目录
4. 跑 make setup 创建新环境并安装依赖项
5. 提供激活新环境的明确说明

运行后 reset.sh，激活新环境：

source .venv/bin/activate && make run

注： 脚本无法自动激活终端中的venv（这是基本的shell限制）。您的终端提示可能仍然显示 (.venv) 重置后，旧环境已被删除，并创建了一个新的环境。只需运行上面的激活命令即可使用新环境。

______________________________________________________________________

📁 项目结构

promotion_tycoon/
  ├── main.py              # Application entry point
  ├── config.py            # Environment configuration
  ├── storage.py           # MongoDB operations & checkpointer
  ├── models.py            # Pydantic data models
  ├── prompts.py           # System prompts
  ├── tracing.py           # Execution logging
  └── ui.py                # Gradio interface

├── env.template           # Environment variables template
├── Makefile              # Build and run commands
├── reset.sh              # Development reset script
└── README.md             # This file

______________________________________________________________________

🔧 配置

环境变量（.env）

# Required
OPENAI_API_KEY=sk-...
MONGODB_URI=mongodb+srv://...

# Optional
TAVILY_API_KEY=tvly-...           # For industry research
DATABASE_NAME=promotion_advisor    # Default database name
GRADIO_SERVER_PORT=7860           # Default port

MongoDB Atlas设置

1. 创建一个免费的M0集群 在https://www.mongodb.com/cloud/atlas
2. 创建数据库用户 具有读/写权限
3. 获取您的连接字符串 （看起来像 mongodb+srv://username:password@cluster.mongodb.net/)
4. 将您的IP列入白名单 在网络访问设置中
5. 添加到 .env 文件

回退行为： 如果MongoDB不可用，应用程序会自动回退到内存存储，并在日志中显示警告消息。

______________________________________________________________________

🎓 关键概念展示

该项目展示了构建生产就绪AI应用程序的几种先进模式：

• 多代理编排 → LangGraph管理专用代理之间的路由
• 中断/恢复模式 → 具有检查点/恢复功能的人在循环工作流程
• 结构化数据抽取 → Pydantic模型确保类型安全和验证
• 持久存储器 → MongoDB Atlas存储对话状态和检查点
• 产业研究一体化 → 基于Tavily的MCP（模型上下文协议）用于实时数据
• 交互式用户界面 → Gradio提供具有生产就绪界面的快速原型制作
• 故障弱化 → 即使外部服务失败，应用程序仍能继续运行

______________________________________________________________________

🐛 故障排除

端口已在使用中

如果您看到“找不到空端口”错误：

make kill-ports
make run

或者在中指定其他端口 .env:

GRADIO_SERVER_PORT=7861

MongoDB连接失败

症状： Authentication failed 或 Connection timeout

解决：

• 在中验证您的连接字符串 .env 是正确的
• 检查数据库用户是否具有适当的读/写权限
• 确保您的IP地址在Atlas网络访问中被列入白名单
• 使用MongoDB Compass测试连接字符串

如果MongoDB不可用，该应用程序将自动回退到内存存储。

未安装依赖项

请确保您已安装Python 3.10+：

python3 --version

如果您遇到依赖冲突：

./reset.sh  # Full clean reinstall

Tavily搜索不起作用

症状： 报告中没有行业研究或薪酬数据

解决：

• 验证 TAVILY_API_KEY 在中设置正确 .env
• 检查您是否未超过免费等级限制（每月1000次搜索）
• 监视UI中的执行跟踪面板，查看Tavily特定的错误

注： 该应用程序可以在没有Tavily的情况下运行，但不会在报告中包含行业研究。

虚拟环境问题

如果你看到 (.venv) 在提示符中，但命令失败：

deactivate
./reset.sh
source .venv/bin/activate
make run

或者简单地打开一个新的终端窗口：

cd datacamp-mcp-multiagent-demo
source .venv/bin/activate
make run

______________________________________________________________________

💡 灵感

这个项目的灵感来自Julia Evans的概念 Brag文档 -一种系统的方法来跟踪你的成就，以便进行绩效评估和晋升。

Julia发现的问题：

“有一种观点认为，如果你在工作中做得很好，人们会（或应该！）自动认可你的工作，并用晋升/加薪来奖励你。在实践中，这往往比这更复杂。”

我们的解决方案： 虽然Julia的吹嘘文档是一个手动过程， Promotion Advisor自动化了困难部分:

• ✅ 结构化提取 → 将自由形式的项目描述转化为有组织、有指标支持的记录
• ✅ 差距分析 → 将你的成就与目标角色要求进行比较
• ✅ 行业标杆 → 包括薪资数据和实际角色期望
• ✅ 导师发现 → 找到成功完成类似转换的人
• ✅ 执行就绪输出 → 生成经理们实际阅读的精美报告

我们正在用AI工具构建Julia的智慧，让你更容易保持你的专业叙事，并有效地为自己辩护。

阅读Julia的原始帖子： 让你的工作得到认可：写一份吹嘘文件

______________________________________________________________________

🎯 未来的增强功能

计划功能：

• 矢量和混合搜索 → MongoDB Atlas矢量搜索用于语义项目/导师匹配
• 文件上传 → 简历和职位描述解析
• 嵌入和重新排序 → Voyage AI集成，提高搜索质量
• PDF导出 → 专业推广包文件
• 团队协作 → 多用户评论和评论功能
• 高级导师筛选 → 按公司、地点、资历级别搜索
• 监测和可观察性 → LLM成本跟踪、延迟指标、质量仪表板
• 模型灵活性 → 支持其他LLM提供商和本地模型

______________________________________________________________________

📺 演示与教程

此项目是为 DataCamp多代理系统网络研讨会.

涵盖的关键主题：

• 用LangGraph构建多智能体系统
• MongoDB Atlas的持久内存
• 人工智能工作流程
• MCP集成用于实时数据丰富
• 生产部署模式

______________________________________________________________________

🤝 贡献

欢迎问题和拉取请求！对于重大更改，请先打开一个问题来讨论您想要更改的内容。

开发工作流程：

1. 分叉存储库
2. 创建要素分支(git checkout -b feature/amazing-feature)
3. 进行更改
4. 运行过梁： make format && make lint
5. 提交您的更改(git commit -m 'Add amazing feature')
6. 推到分支(git push origin feature/amazing-feature)
7. 打开拉取请求

______________________________________________________________________

📄 许可证

如果这个演示激发了人们的想法， 查看Gen AI展示 更多实践示例 代理模式, 存储器体系结构，以及 MongoDB支持的AI应用程序.\ 👉 [Gen AI展示]()

______________________________________________________________________

🌟 探索更多

🔧 MongoDB人工智能资源

有兴趣用MongoDB构建生产级AI应用程序吗？

👉 MongoDB GenAI展示 -生产就绪的人工智能应用模式和示例集合

👉 LangChain+MongoDB集成 -使用MongoDB Atlas和LangChain的官方文档

👉 MongoDB AI用例 -基于MongoDB构建的现实世界AI应用程序

📚 核心技术

LangGraph和多代理系统：

• LangGraph检查点MongoDB -LangGraph工作流的持久状态管理
• LangGraph监控模式 -基于路由器的多代理编排（用于本项目）
• LangGraph中断 -暂停/恢复工作流程以供人工审查（为我们的中断/恢复模式提供动力）
• 人在循环工作流程 -具有用户批准门的交互式人工智能系统
• 用LangGraph构建多智能体系统 -代理协调和监控教程

模型上下文协议（MCP）：

• MCP文件 -MCP官方规范和指南
• LangChain MCP适配器 -整合外部工具和数据源（Tavily、GitHub等）
• **** -实施细节和示例

UI和部署：

• Gradio文件 -快速ML/AI UI原型
• 基于LangGraph的代理RAG -高级检索模式

📖 教程和灵感

MongoDB+MCP集成：

• 使用MongoDB MCP构建AI代理 -分步代理建设
• 带MCP的MongoDB聊天代理 -具有持久内存的LangGraph教程

搜索与研究：

• 使用Tavily搜索LinkedIn个人资料 -按角色查找专业人员（用于Mentor Finder代理）

职业发展：

• Brag文档 Julia Evans-该工具自动化的手动过程

🎓 了解更多

想更深入地了解多智能体系统吗？

• 从 LangGraph监控模式 了解路由
• 了解 中断 和 人在循环 此项目中使用的模式
• 探索 MongoDB Atlas矢量搜索 用于语义搜索
• 看看 GenAI展示 了解更多生产模式

有问题或想贡献？

• 打开一个
• 加入 MongoDB社区论坛
• 连接上 领英