测试物料生成

项目本质是一个**"前端对话入口 + FastAPI编排层 + 技能执行层"**的 AI/自动化平台，近几次迭代已经从"纯通用内容生成"偏向了 JD MKU/行云业务自动化。

总体框架

• 前端：Vue 3 + Vue Router + Element Plus + Axios + Vite
• 后端：FastAPI + Pydantic + SQLAlchemy
• 编排/智能层：LangGraph + LangChain Agent（可选）
• 数据层：MySQL（历史记录） + Redis（缓存） + Milvus（知识检索）
• 容错策略：MySQL/Redis/Milvus/LLM 都支持"不可用降级"，核心接口仍可返回结果

---

调用逻辑（主链路）

1) 前端到后端

前端统一通过 frontend/src/api/index.js 调 /api/*：

• POST /api/chat：自然语言入口（主入口）
• POST /api/generate-material：直接指定 skill 执行
• GET /api/skills：拉技能列表
• POST /api/refresh-cookie：触发 Playwright 刷新登录态
• GET /api/cookie-status：检查 Cookie 是否可用

前端在 MainLayout.vue/ChatView.vue/MaterialView.vue 中都做了同一类处理：

如果后端返回 MKU_COOKIE_* 或 INTEST_COOKIE_*，会自动先调 refresh-cookie 再重试业务请求。

---

2) FastAPI 路由层

backend/app.py 初始化应用并挂载 backend/api/routes.py 到 /api。
routes.py 是控制器层，做三件事：

• 收参数（Pydantic Model）
• 调服务层（workflow_engine / tool_executor）
• 可选落库历史（MySQL 不可用则跳过，不阻断主流程）

---

3) /chat 的核心编排（最关键）

/chat -> workflow_engine.execute(message)，在 workflow_engine.py 内是一个 LangGraph 三节点流程：

1. parse_requirement
2. execute_skills
3. aggregate_results

但当前实现里，parse_requirement 已经调用 llm_scheduler.parse_and_execute() 并通常直接得到结果；
execute_skills 节点多数情况下不会再次执行（除非前一步失败且有可执行 skill 列表）。

也就是说：图结构是三段式，实际运行常是"第一段直接产出结果 + 第三段聚合/缓存"。

---

4) LLMScheduler 的决策机制

backend/services/llm_scheduler.py 是"路由大脑"，优先级大致如下：

1. MKU/行云相关请求优先走规则分支（避免 LLM 超时）
2. 若非上述且 Agent 可用，走 LangChain OpenAI Functions Agent
3. 若无可用 LLM，则走 _simple_parse 关键词规则匹配

规则分支里内置了大量业务意图解析，例如：

• 更新 MKU/行云 Cookie
• "根据 SKU 创建商机预占 MKU"
• "根据行云 skuId 创建 mkuId"
• "固定 SKU 创建 MKU"

这些会直接委托给 mku_agent 或 xingyun_mku_agent，再落到具体 JD skill 执行。

---

5) Skill 执行层

backend/services/tool_executor.py 维护一个 skills 注册表：

• 通用技能：material_generation / compliance_check / api_call / knowledge_retrieval
• JD业务技能：jd_mku_publish / jd_mku_submit_task / jd_create_mku_by_sku / jd_batch_add_sku 等
• Cookie状态技能：check_mku_cookie_status / check_intest_cookie_status

所有 skill 统一继承 BaseSkill，通过 execute(**kwargs) 返回标准结构。

---

数据与状态管理逻辑

• Redis：workflow:{md5(user_input)} 缓存 /chat 结果，默认 1 小时
• MySQL：记录历史请求与响应；如果不可用，get_db() 返回 None，接口继续可用
• Milvus：仅用于 knowledge_retrieval，无连接时返回空或模拟结果
• Cookie：cookie_store.py 多级回退读取：
  • 运行时内存
  • .env
  • config.ini / config/credentials/*.txt

这让 MKU/行云链路对"手工粘 Cookie"依赖降低很多。

---

前后端协作特点（你这个项目比较有特色的点）

• 不是典型"前端只发问，后端全靠 LLM"，而是：
  • 业务特化规则优先
  • LLM 是可选增强，不是唯一入口
• 前端已经内建"Cookie失效 -> 自动刷新 -> 自动重试"闭环
• 后端多数基础组件都做了降级，系统韧性不错

---

框架层面评价（简短）

• 优点

  • 分层清楚：API 层 / 编排层 / 技能层 / 数据层
  • 兼顾 AI 与传统规则，工程可控性高
  • 对外部依赖故障容忍度高（DB/Redis/Milvus/LLM）

• 当前实现上的一个现实情况

  • ARCHITECTURE.md 仍偏"通用内容平台"叙述；代码已经明显偏向 MKU/行云自动化，文档有些滞后。

模块框架图

md

AI Platform Architecture Diagrams

本文档整理项目核心架构图，覆盖分层、模块依赖和两条主要调用链路，便于研发、联调和排障时快速定位。

1) 总体分层图（业务视角）

```mermaid

flowchart TB

U[用户/浏览器] --> FE[前端 Vue3 + Element Plus]

FE --> API[FastAPI API层]

subgraph Frontend

FE1[MainLayout / ChatView / MaterialView]

FE2[Axios /api]

FE3[Cookie自动刷新逻辑]

FE1 --> FE2

FE1 --> FE3

end

FE --> FE1

subgraph Backend["后端（ai-platform/backend）"]

API --> R1["/api/chat"]

API --> R2["/api/generate-material"]

API --> R3["/api/skills /health /cookie-status /refresh-cookie"]

R1 --> WF[WorkflowEngine<br/>LangGraph]

WF --> P1[parse_requirement]

WF --> P2[execute_skills]

WF --> P3[aggregate_results]

P1 --> LLM[LLMScheduler]

LLM -->|MKU/行云关键词| RULE[规则路由]

LLM -->|可用时| AGENT[LangChain Agent]

LLM -->|降级| SIMPLE[简单关键词匹配]

RULE --> MKUAgent[mku_agent / xingyun_mku_agent]

AGENT --> EXEC[ToolExecutor]

SIMPLE --> EXEC

MKUAgent --> EXEC

P2 --> EXEC

R2 --> EXEC

R3 --> COOKIE[Cookie Store + Playwright刷新脚本]

end

subgraph Skills["技能层（Skills）"]

EXEC --> S1[material_generation]

EXEC --> S2[compliance_check]

EXEC --> S3[api_call]

EXEC --> S4[knowledge_retrieval]

EXEC --> S5[jd_mku_publish / jd_mku_submit_task / jd_create_mku_by_sku ...]

end

subgraph Data["数据层"]

WF <--> REDIS[(Redis 缓存)]

API <--> MYSQL[(MySQL 历史记录)]

S4 <--> MILVUS[(Milvus 向量检索)]

COOKIE <--> CONF[.env / config.ini / credentials]

end

FE3 --> R3

```

2) 文件级依赖图（工程视角）

```mermaid

flowchart LR

subgraph F["frontend/src"]

A1["main.js"]

A2["App.vue"]

A3["router/index.js"]

A4["api/index.js (axios: /api)"]

A5["views/MainLayout.vue"]

A6["views/ChatView.vue"]

A7["views/MaterialView.vue"]

A8["utils/cookieRefresh.js"]

end

A1 --> A2 --> A3

A5 --> A4

A6 --> A4

A7 --> A4

A5 --> A8

A6 --> A8

A7 --> A8

subgraph B["backend"]

B1["run.py"]

B2["app.py (FastAPI app)"]

B3["api/routes.py"]

end

B1 --> B2 --> B3

A4 -->|HTTP /api/*| B3

subgraph S["backend/services"]

S1["workflow_engine.py"]

S2["llm_scheduler.py"]

S3["tool_executor.py"]

S4["mku_agent.py"]

S5["xingyun_mku_agent.py"]

S6["cookie_store.py"]

S7["cookie_manager.py"]

end

B3 -->|POST /chat| S1

B3 -->|POST /generate-material| S3

B3 -->|POST /refresh-cookie| S6

B3 -->|GET /cookie-status| S6

B3 -->|GET /skills| S3

S1 --> S2

S1 --> S3

S2 -->|规则路径| S4

S2 -->|规则路径| S5

S2 -->|通用路径| S3

S4 --> S3

S5 --> S3

S6 --> S7

subgraph K["backend/skills"]

K0["base_skill.py"]

K1["material_generation_skill.py"]

K2["compliance_check_skill.py"]

K3["api_call_skill.py"]

K4["knowledge_retrieval_skill.py"]

K5["jd_* skills (mku/sku/task/cookie status)"]

KX["init.py"]

end

S3 --> KX

KX --> K1

KX --> K2

KX --> K3

KX --> K4

KX --> K5

K1 --> K0

K2 --> K0

K3 --> K0

K4 --> K0

K5 --> K0

subgraph D["backend/data + backend/config"]

D1["config/settings.py (.env)"]

D2["data/mysql_client.py"]

D3["data/redis_client.py"]

D4["data/milvus_client.py"]

end

B2 --> D2

B3 --> D2

S1 --> D3

K4 --> D4

S2 --> D1

S6 --> D1

```

3) `/api/chat` 时序图（编排主链路）

```mermaid

sequenceDiagram

autonumber

participant U as 用户

participant FE as 前端(MainLayout/ChatView)

participant API as FastAPI routes.py

participant WF as workflow_engine.py

participant LLM as llm_scheduler.py

participant EXE as tool_executor.py

participant SK as skills (jd_* / 通用skill)

participant R as redis_client.py

participant DB as mysql_client.py

participant CK as refresh-cookie + cookie_store

U->>FE: 输入指令并点击发送

FE->>API: POST /api/chat {message,user_id}

API->>WF: execute(message)

WF->>R: get(workflow:md5(message))

alt 缓存命中

R-->>WF: cached_result

WF-->>API: final_result

else 缓存未命中

WF->>LLM: parse_and_execute(message)

alt 命中 MKU/行云规则

LLM->>EXE: execute_skill("jd_*", params)

EXE->>SK: skill.execute(...)

SK-->>EXE: result

EXE-->>LLM: result

else Agent可用

LLM->>EXE: (via LangChain tools) execute_skill(...)

EXE->>SK: skill.execute(...)

SK-->>EXE: result

EXE-->>LLM: result

else 简单关键词降级

LLM->>EXE: execute_skill("material/compliance/api/knowledge")

EXE->>SK: skill.execute(...)

SK-->>EXE: result

EXE-->>LLM: result

end

LLM-->>WF: parse_result

WF->>R: set(cache, 3600s)

WF-->>API: final_result

end

API->>DB: 写历史记录(可选)

DB-->>API: 成功/失败(失败忽略)

API-->>FE: {success:true,data:...}

alt 返回 Cookie 失效 error_code

FE->>API: POST /api/refresh-cookie

API->>CK: subprocess 执行 playwright 刷新

CK-->>API: 刷新结果

API-->>FE: refresh success

FE->>API: 自动重试 POST /api/chat

API-->>FE: 新结果

end

FE-->>U: 展示最终响应

```

4) `/api/generate-material` 时序图（直达技能链路）

```mermaid

sequenceDiagram

autonumber

participant U as 用户

participant FE as 前端(MaterialView)

participant API as FastAPI routes.py

participant EXE as tool_executor.py

participant SK as 指定 skill

participant DB as mysql_client.py

participant CK as refresh-cookie + cookie_store

U->>FE: 选择 skill + 填写 params(JSON)

FE->>API: POST /api/generate-material

API->>EXE: execute_skill(skill_name, **params)

EXE->>SK: skill.execute(...)

SK-->>EXE: result

EXE-->>API: {success,data,skill}

API->>DB: 写历史记录(可选)

DB-->>API: 成功/失败(失败忽略)

API-->>FE: {success:true,data:...}

alt data.error_code 为 Cookie 失效

FE->>API: POST /api/refresh-cookie {system}

API->>CK: 调 playwright 刷新 Cookie

CK-->>API: 刷新结果

API-->>FE: refresh success

FE->>API: 自动重试 POST /api/generate-material

API-->>FE: 新结果

end

FE-->>U: 展示生成结果

```