快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

python -m venv .venv

详细介绍

🧠 多智能体问答系统

高级理念（一句话）

一个有监督的多智能体问答系统，可以智能地将用户查询路由到 SQL推理管道 或一个 文档（RAG）推理管道，在整个过程中加强安全、记忆和引用。

______________________________________________________________________

概述

该项目实现了 生产级代理问答架构 使用 LangGraph 作为控制平面和 MCP（模型上下文协议） 作为执行层。

该系统能够回答以下问题：

结构化数据 （Northwind SQL数据库）
非结构化文档 （PubMed/临床PDF）

中央 监督代理 决定如何处理每个查询，同时加强护栏、内存和可解释性。

______________________________________________________________________

关键能力

🧠 使用LangGraph进行多代理编排
🛡️ 安全和范围控制护栏
🔀 智能路由（SQL vs RAG vs Clarify）
📚 文档的引用支持答案
🧮 确定性SQL推理
🧠 后续问题的对话记忆
🔍 易于观察、可调试的步骤

______________________________________________________________________

端到端工作流

User Question
      ↓
Context Resolution
      ↓
Guardrail Check
      ↓
Supervisor Agent (Decision Maker)
      ↓
┌────────────────┬────────────────────┐
│ SQL Agent      │ RAG Agent           │
│ (Structured)   │ (Unstructured)      │
└────────────────┴────────────────────┘
      ↓
Answer Synthesis + Citations
      ↓
Conversation Memory Update
      ↓
Final Answer to User

______________________________________________________________________

🧠 系统架构（LangGraph+MCP）

flowchart TD
    %% UI
    U[User
Streamlit Chat UI]

    %% Pre-processing
    CR[Context Resolver
(Resolve follow-ups)]
    GR[Guardrail Agent
(ALLOW / REJECT)]
    SUP[Supervisor Agent
(Route Decision)]

    %% Routing
    SQLA[SQL Agent]
    RAGA[RAG Agent]
    CLARIFY[Clarify Response]
    REJECT[Reject Response]

    %% MCP Layer
    MCP[MCP Client]
    SQLDB[(Northwind Database)]
    DOCS[(PubMed / Clinical PDFs)]

    %% Answer
    SYN[Answer Synthesizer
(Grounded Answer)]
    MEM[Conversation Memory]
    OUT[Final Answer
+ Sources]

    %% Flow
    U --> CR
    CR --> GR

    GR -->|REJECT| REJECT
    GR -->|ALLOW| SUP

    SUP -->|SQL| SQLA
    SUP -->|RAG| RAGA
    SUP -->|CLARIFY| CLARIFY
    SUP -->|REJECT| REJECT

    %% SQL Path
    SQLA --> MCP
    MCP --> SQLDB
    SQLDB --> MCP
    MCP --> SYN

    %% RAG Path
    RAGA --> MCP
    MCP --> DOCS
    DOCS --> MCP
    MCP --> SYN

    %% Finalization
    SYN --> OUT
    OUT --> MEM
    MEM --> CR

______________________________________________________________________

代理人职责

🛡️ 护栏代理

阻止范围外或不安全的问题
及早预防幻觉

🧠 监督代理

在SQL、RAG、澄清或拒绝之间做出决定
确保只运行一条执行路径

🧮 SQL代理

转换自然语言→ SQL
执行确定性查询
返回精确的数值结果

📚 RAG代理

检索相关文档块
综合有根据的答案
始终返回引用

✍️ 答案合成器

规范跨代理的输出
格式化最终答案+来源

______________________________________________________________________

为什么选择LangGraph+MCP？

LangGraph

清晰的状态转换
显式控制流
易于调试和可观察性

MCP（模型上下文协议）

工具隔离
清洁服务边界
可交换的执行后端

它们共同构成了一个 干净的控制平面+执行平面架构 适用于现实世界的人工智能系统。

______________________________________________________________________

示例查询

结构化查询语言

“总销售额前5名产品”
“他们处理了多少订单？”

检索增强生成

“什么是拉沙热？”
“患者的严重程度如何变化？”

随访（记忆感知）

“它会变得有多严重？”
“它在哪里流行？”

______________________________________________________________________

生产就绪设计原则

没有监督，任何代理人都不会逃跑
歧义会引发澄清，而不是幻觉
SQL和RAG故障是隔离的
记忆永远不会覆盖事实

______________________________________________________________________

状态

✅ 核心架构已实施 ✅ SQL+RAG路由稳定 ✅ 内存分辨率工作 ✅ 引用已执行

______________________________________________________________________

下一步改进

流媒体响应
工具信心评分
重试和回退策略
UI时间线可视化
评估工具

______________________________________________________________________

在本地运行

1.创造环境

python -m venv .venv
# Windows
.venv\Scripts\activate
# Linux/macOS
# source .venv/bin/activate

pip install -r requirements.txt

2.准备运行时配置

# Windows
copy .env.template .env
# Linux/macOS
# cp .env.template .env

如果您的模型服务器不是本地的，请设置 OLLAMA_BASE_URL 在 .env 因此。

3.启动服务（两个终端）

航站楼A：

python app/mcp/server.py

B航站楼：

streamlit run streamlit_app.py

打开 http://localhost:8501.

______________________________________________________________________

Docker Compose（面向生产，外部Ollama）

此存储库包括：

Dockerfile.mcp
Dockerfile.streamlit
docker-compose.yml
.env.template

1.配置环境

# Windows
copy .env.template .env
# Linux/macOS
# cp .env.template .env

集 OLLAMA_BASE_URL 连接到外部模型服务器端点。

2.构建和运行

docker compose up --build

3.终点

流线型用户界面： http://localhost:8501
MCP HTTP端点： http://localhost:3333/mcp

4.持久数据

编写挂载以保持运行时数据的持久性：

./data -> /app/data
命名卷 mcp_runtime -> /app/runtime
命名卷 streamlit_runtime -> /app/runtime

______________________________________________________________________

配置说明

该应用程序现在支持以下环境驱动配置：

MCP主机/端口/url
SQL/RAG数据路径
会话/内存数据库路径
嵌入模型
所有Olama型号名称

看 .env.template 获取完整的变量名和默认值。

______________________________________________________________________

使用LangGraph•MCP•Streamlit•SQL•RAG构建

目录标签

问答系统PythonAI代理LangGraphTSQL本地部署多代理系统SQL推理RAG推理MCP

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

none

运行时（runtime，运行环境）

Python

工具数量（toolCount，工具数）

0

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/7082512e7b450ea1bbf95bbe66324b14

一个监督式的多代理问答系统，智能地将用户查询路由到SQL推理管道或文档(RAG)推理管道，并在整个过程中强制执行安全性、记忆和引用。

继续浏览同类 MCP

更多AI代理 MCP（18,706）返回 MCP 目录

上一个 MCP

Multi Service MCP Server

全面解析Multi Service GatewayMCP Server的核心功能、安装配置和实用案例。作为顶级Model Context Protocol服务器，Multi Service Gateway能让AI助手访问实时数据、执行操作，为您提供更智能的工作体验和自动化解决方案。

下一个 MCP

Multi Tool AI Agent

一个基于MCP协议和Gemini AI的动态工具编排系统，支持自然语言驱动的日程管理和任务创建功能。

Multi Source Agentic Q A Assistant

快速接入

详细介绍

🧠 多智能体问答系统

高级理念（一句话）

概述

关键能力

端到端工作流

🧠 系统架构（LangGraph+MCP）

代理人职责

🛡️ 护栏代理

🧠 监督代理

🧮 SQL代理

📚 RAG代理

✍️ 答案合成器

为什么选择LangGraph+MCP？

示例查询

生产就绪设计原则

状态

下一步改进

在本地运行

1.创造环境

2.准备运行时配置

3.启动服务（两个终端）

Docker Compose（面向生产，外部Ollama）

1.配置环境

2.构建和运行

3.终点

4.持久数据

配置说明

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP