TenderAgent — 招投标场景的 AI 多智能体辅助平台

面向 IT 招投标培训机构的 AI 原生评审辅助系统。
基于 LangChain 1.2.10 + LangGraph 1.0.9 + FastAPI 构建，核心大模型为 DeepSeek-V3 / DeepSeek-Coder-V2。

项目背景

IT 招采机构每天面对四类重复性高、耗费师资的业务：

场景	痛点
投标人答疑	同类问题反复出现，评审专家精力有限
投标文件评分	量大、主观评分项评分容易不一致
资质审查	评审专家无暇逐份精读打分
技术答辩	缺少随时可陪练并给出专业反馈的「评审专家」

TenderAgent 将这四类业务分别封装为独立的 AI Agent，每个 Agent 融合了企业私有知识、内置了完整业务流程、并配备了工程化容错机制。

四大核心 Agent

Agent	业务能力	核心技术范式
智能问答（QA）	基于招标知识库实时答疑	RAG 混合检索 + BGE-M3 + Reranker 精排 + SSE 流式
投标文件评分（BidReview）	自动评分客观项 / 方案响应项 / 编程题	三轨并行评分 + HitL 专家确认环
资质审查（Qualification）	六维度评分并给出改进建议	PDF 解析 + 结构化抽取 + 多维度并行评分
供应商答辩（Defense）	五阶段全程技术答辩陪练	状态机对话 + Think Tool 双轨质量评估

四个 Agent 之上由 Orchestrator 编排层统一做意图路由与多 Agent 串联 Pipeline。

技术栈

层面	选型
开发语言	Python 3.11（严格锁定）
Web 框架	FastAPI + SSE-Starlette
Agent 框架	LangChain 1.2.10 + LangGraph 1.0.9
主力大模型	DeepSeek-V3（问答 / 资质材料 / 答辩）
代码评分模型	DeepSeek-Coder-V2
向量数据库	Milvus
关系数据库	PostgreSQL + SQLAlchemy（全异步）
缓存	Redis
对象存储	MinIO
嵌入模型	BGE-M3（进程内，dense + sparse 双输出）
精排模型	BGE-Reranker-large（进程内）
意图分类	MiniLM-L6-v2（进程内）
前端	Vue3 + TypeScript + Element Plus

BGE-M3、BGE-Reranker、MiniLM 三个本地模型均为进程内调用，无需单独起服务，启动时随后端进程并行预热。

系统架构

┌─────────────────────────────────────────────────┐
│              前端层   Vue3 SPA (:3000)            │
└────────────────────┬────────────────────────────┘
                     │ HTTP / SSE
┌────────────────────▼────────────────────────────┐
│            API 层   FastAPI (:8000)              │
│          JWT 鉴权 / SSE 流式 / 文件上传            │
└────────────────────┬────────────────────────────┘
                     │
┌────────────────────▼────────────────────────────┐
│          编排层   Orchestrator                   │
│    MiniLM 意图识别 → 单 Agent 路由 / Pipeline     │
└──────┬───────────┬───────────┬───────────┬──────┘
       │           │           │           │
  ┌────▼───┐  ┌───▼────┐  ┌───▼────┐  ┌───▼──────┐
  │  QA    │  │  BidReview  │  │Qualification  │  │Defense │  ← LangGraph StateGraph × 4
  │ Agent  │  │ Agent  │  │ Agent  │  │  Agent   │
  └────────┘  └────────┘  └────────┘  └──────────┘
                       公共层
       ├── LLM Factory（DeepSeek API 统一封装）
       ├── BGE-Reranker / MiniLM / MemorySaver
       └── MCP Server（知识库检索 + Web 搜索）
                     │
┌────────────────────▼────────────────────────────┐
│   数据层   PostgreSQL · Redis · Milvus · MinIO   │
└─────────────────────────────────────────────────┘

环境要求

Python 3.11（严格锁定，不兼容其他版本）
Conda（推荐用于环境隔离）
Docker & Docker Compose
DeepSeek API Key

快速开始

1. 克隆项目 & 创建环境

git clone <repo-url>
cd TenderAgent

conda create -n edu_agent python=3.11 -y
conda activate edu_agent
pip install -r requirments.txt

2. 配置环境变量

cp .env.bid_reviewple .env.local

打开 .env.local，填写必填项：

DB_USER=your_db_user
DB_PASSWORD=your_db_password
DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxx
JWT_SECRET_KEY=any-random-secret-string

3. 启动基础设施

docker-compose --env-file .env.local up -d postgres redis minio etcd milvus langfuse

4. 初始化数据（首次运行）

python scripts/init_minio.py        # 创建 MinIO Bucket
python scripts/init_milvus.py       # 创建 Milvus Collection
python scripts/seed_data.py         # 写入测试用户与投标文件数据

5. 验证环境

python scripts/verify_env.py

6. 启动后端

# 在项目根目录（TenderAgent/）下执行
uvicorn backend.main:app --host 0.0.0.0 --port 8000

7. 启动前端

cd frontend
npm install
npm run dev

服务端口

服务	端口	说明
FastAPI 后端	8000	REST + SSE 接口，`/docs` 查看 Swagger
Vue3 前端	3000	投标人 / 评审专家 / 管理员界面
PostgreSQL	5433	宿主机 5432 已占用，隔离到 5433
Redis	6380	宿主机 6379 已占用
MinIO API	9002	宿主机 9000 已占用
MinIO 控制台	9003	对象存储管理
Milvus	19531	宿主机 19530 已占用
Langfuse	3001	LLM 调用追踪与可观测性

所有连接配置统一从 .env.local 读取，禁止硬编码端口号。

访问地址 & 测试账号

地址	说明
http://localhost:3000	前端应用
http://localhost:8000/docs	FastAPI 接口文档（Swagger）
http://localhost:3001	Langfuse 可观测性平台
http://localhost:9003	MinIO 控制台

角色	密码
bidder	Bidder@123456
expert	Expert@123456
admin	Admin@123456

目录结构

TenderAgent/
├── backend/
│   ├── main.py                  # FastAPI 入口 & lifespan（模型预热 + DB 迁移）
│   ├── config.py                # pydantic-settings 配置（从 .env.local 读取）
│   ├── dependencies.py          # JWT 鉴权依赖注入
│   ├── api/v1/                  # 路由：qa / bid_review / qualification / defense / auth
│   ├── agents/                  # 四大 Agent
│   │   ├── qa/                  # graph.py / nodes.py / state.py / prompts.py
│   │   ├── bid_review/
│   │   ├── qualification/
│   │   └── defense/
│   ├── core/
│   │   ├── llm_factory.py       # LLM 统一工厂（DeepSeek via OpenAI 兼容接口）
│   │   ├── orchestrator.py      # 编排器（意图路由 + Pipeline）
│   │   ├── knowledge_base.py    # BGE-M3 向量检索
│   │   ├── reranker.py          # BGE-Reranker 精排
│   │   ├── memory.py            # MemorySaver 对话记忆管理
│   │   └── retry.py             # 三层兜底重试
│   ├── db/migrations.py         # 启动时自动执行的幂等 DDL 补丁
│   └── mcp/                     # MCP Server（知识库检索 + Web 搜索）
├── frontend/src/
│   ├── views/                   # 页面（qa / bid_review / qualification / defense / login）
│   ├── api/                     # HTTP 客户端封装
│   └── stores/                  # Pinia 状态管理
├── models/                      # 本地模型权重（.gitignore，启动时自动下载）
│   ├── reranker/bge-reranker-large/
│   ├── classifier/all-MiniLM-L6-v2/
│   └── embedding/bge-m3/
├── scripts/
│   ├── init_milvus.py           # 初始化向量集合
│   ├── seed_data.py             # 填充测试数据
│   ├── build_knowledge_base.py  # 导入知识库文档
│   └── verify_env.py            # 环境自检
├── tests/                       # 单元测试 + 集成测试（76 passed / 1 skipped）
├── requirments.txt
├── docker-compose.yml
└── .env.bid_reviewple

知识库导入

首次使用或知识库重建后，需手动导入招标资料文档：

# 重建 Milvus Collection（Phase D 后需执行）
python scripts/init_milvus.py

# 导入文档（支持 PDF / Word / Markdown）
python scripts/build_knowledge_base.py --file <文档路径> --tender_document_id <招标资料UUID>

容错机制

系统内置三层兜底，任何情况下用户都能拿到响应：

层级	触发条件	处理方式
第一层：自动重试	网络抖动 / LLM 超时	间隔 1s / 3s 重试，最多 2 次
第二层：Agent 降级	重试后仍失败	问答直答 / 评分跳过 Judge0 / 资质材料给格式提示 / 答辩给基础反馈
第三层：系统兜底	所有降级均失败	友好提示 + 已完成结果持久化 + 错误记录

常见问题

Q: 后端启动报 extra inputs are not permitted

.env.local 中保留旧字段没有问题，config.py 已设置 extra = "ignore" 自动忽略。

Q: Milvus 连接超时

确认 etcd 和 milvus-standalone 容器均已 healthy：

docker-compose ps | grep -E "milvus|etcd"

Q: 前端 SSE 无流式效果

QA 和答辩的 SSE 接口直连 http://localhost:8000，不经过 Vite proxy，属于正常设计。

Q: 供应商答辩如何快速结束？

点击输入框右侧的"结束答辩"按钮，AI 将跳过剩余阶段直接生成报告（约 10-30 秒）。

Q: 投标文件评分一直显示"AI 评分中"

评分为后台异步任务，刷新页面可获取最新状态。若超过 15 分钟未完成，记录将自动标记为 failed，可重新提交。

配套课件

完整学习课件位于 TenderAgent课件/ 目录，共 10 章：

条款	内容
第一章	项目简介与 Agent 核心概念
第二章	工具介绍（async / Pydantic / LangChain / LangGraph / FastAPI）
第三章	环境搭建与工程地基
第四章	供应商资质审查 Agent
第五章	RAG 智能问答系统
第六章	投标文件评分 Agent（含 HitL）
第七章	供应商答辩 Agent
第八章	系统集成与编排
第九章	前端集成扩展
第十章	收尾、能力迁移与答辩问题集

生成 HTML 讲义：

# 在 docs/ 目录下执行
mkdocs serve   # 本地预览（:8080）
mkdocs build   # 输出静态 HTML 到 site/

README.md 12 KB

パーマリンク 履歴 Raw

TenderAgent — 招投标场景的 AI 多智能体辅助平台

项目背景

四大核心 Agent

技术栈

系统架构

环境要求

快速开始

1. 克隆项目 & 创建环境

2. 配置环境变量

3. 启动基础设施

4. 初始化数据（首次运行）

5. 验证环境

6. 启动后端

7. 启动前端

服务端口

访问地址 & 测试账号

目录结构

知识库导入

容错机制

常见问题

配套课件

License

README.md 12 KB パーマリンク 履歴 Raw

TenderAgent — 招投标场景的 AI 多智能体辅助平台

项目背景

四大核心 Agent

技术栈

系统架构

环境要求

快速开始

1. 克隆项目 & 创建环境

2. 配置环境变量

3. 启动基础设施

4. 初始化数据（首次运行）

5. 验证环境

6. 启动后端

7. 启动前端

服务端口

访问地址 & 测试账号

目录结构

知识库导入

容错机制

常见问题

配套课件

License

README.md 12 KB

パーマリンク履歴 Raw