基于FastAPI+LangChain+LangGraph+Agent+多模态的AI Agent 有渔渔具网站

不是套壳 Chat，是真正会意图路由、调用工具、查知识库、看图识装备、帮用户加购物车的 Agent。

前端 Vue3，后端 FastAPI，AI 编排 LangGraph，多模态走 OpenAI Vision 协议------

模型、提示词、知识库全部支持后台页面在线配置，改提示词不用动一行代码。

一、项目技术栈

一个 AI 应用从「模型调用」走到「可交付系统」，中间隔着工程化这道坎。这个项目把整条链路都补齐了：

层次	技术选型	在项目里的作用
后端框架	FastAPI + Tortoise ORM + MySQL	异步高性能接口、自动建表、自动注册路由，自带 Swagger
AI 编排	LangChain（langchain-core / langchain-openai）+ LangGraph	StateGraph 显式编排 Agent 节点流转，工具注册与调用
多模态	OpenAI Vision 协议	上传钓场/渔具照片即可让 AI 识别理解，并接入后续工具链
前端	Vue3 + Vue Router + Element Plus + Axios + Vite	前后台双端， adapter 自动携带 token
可视化	ECharts	后台数据看板：订单状态环形饼图、分类/热销条形图
富文本	wangEditor 5 + markdown-it + highlight.js	后台资讯/商品详情富文本编辑；AI 回答按 Markdown 渲染并做代码高亮
流式输出	SSE（StreamingResponse）	AI 回答打字机效果
鉴权	JWT + FastAPI Depends + 前端路由守卫	前后台双层隔离，越权直接 401

一句话总结：后端用 Python，AI 用 LangGraph 编排，前端能用页面把 AI 的「大脑」（模型、提示词、知识库）全部换掉。

二、项目功能介绍

1. 前台商城（用户端）

首页：轮播图、公告（点击从右上角弹出公告正文）、分类导航、推荐商品、热销榜、最新资讯
商品：分类筛选 / 搜索 / 排序 / 分页；详情页支持多图、规格、收藏、评价、富文本图文详情与相似推荐
交易：购物车（勾选结算、批量删除、清空）、下单结算、订单中心（支付 / 收货 / 取消 / 评价）
资讯中心：富文本资讯，后台编辑即可带图带视频
AI 智能助手：支持文字 + 图片提问，回答支持 Markdown + 代码高亮，还能直接推送商品卡片

体验细节：任意页面加购/删除后，顶部购物车角标实时刷新（基于轻量全局事件总线）；页面滚动条全站隐藏但滚动照常。

2. 后台管理（运营端）

数据统计看板（ECharts）、分类管理、商品管理（多图上传 / 富文本描述 / 上下架）、订单管理、评价管理、资讯管理、轮播图、公告、管理员、会员管理，所有列表统一支持每页条数切换 + 页码跳转。

3. AI 能力中心（项目的核心）

模型配置：对话 / 向量 / 图片模型，支持 OpenAI、DeepSeek、通义、智谱、硅基流动、Ollama 等任意 OpenAI 兼容协议，可设默认、启停、多模态标记，一键「测试连接」
提示词配置：agent_system / intent / rag / tool_answer / chitchat / vision / recommend 全部落在数据库，改完即时生效，支持变量渲染预览
知识库管理：文档增删改、自动切片（300 字窗口 + 60 字重叠）、重建索引、切片预览、检索测试
对话记录：完整消息（含用户头像）、意图/工具/引擎标签、Agent 执行轨迹、引用来源、推荐结果

4. Agent 工作流

复制代码

用户提问（文本 / 图片）
   │
   ▼
perceive   多模态感知：有图片时调用视觉模型理解图片内容
   │
   ▼
classify   意图路由：LLM 输出 {工具, 参数}，失败或超时降级本地规则路由
   │
   ├─► knowledge  知识库 RAG 检索（向量相似度 + 关键词加权）
   ├─► tool       工具调用：商品搜索 / 详情 / 装备推荐 / 订单查询 / 资讯搜索 / 加入购物车
   └─► generate   直接生成
   │
   ▼
generate   结合人设提示词 + 历史消息 + 工具/检索结果生成答复
   │
   ▼
持久化：消息、执行轨迹、引用来源、推荐商品卡片

前台给用户看答案，后台给运营看全链路：同一个会话，前台气泡里只有回答正文 + 商品卡片；后台「对话记录」里完整保留每一步走了哪个节点、调了哪个工具、引用了哪段知识。这就是 Agent 系统最需要的可解释性。

没配模型也不会崩：自动降级为「离线兜底回复」，并把工具/检索结果直接呈现给用户。

三、拿到项目能学到什么

这部分是它和普通 CRUD 项目的最大区别：它把一个 AI 应用的工程化全链路都跑了一遍。

Agent 编排思维（最值钱的部分）不再把 LLM 当黑盒调 API，而是用 LangGraph 把「感知 → 路由 → 检索/工具 → 生成 → 持久化」拆成显式节点，理解什么是状态图、条件分支、工具注册。这套思维迁移到任意 Agent 项目都通用。
RAG 落地全流程切片策略为什么要有重叠？向量召回和关键词召回怎么加权？没有 embedding 模型时怎么降级？比起背原理，把这一个链路踩完才是真的学会了------这些在项目里全部有实现。
高可用设计LLM 超时怎么降级兜底？多模型厂商如何一套代码兼容（LangChain 优先 + httpx 兜底）？Vector 库缺失时功能如何不崩？这些都是面试必问的「异常处理」题。
AI 应用的工程细节