生产级AI智能体架构实战：基于LangGraph的市场情报系统

本项目展示了一套完整的生产就绪AI智能体架构，通过LangGraph循环状态图实现多步推理、工具调用与人机协同，结合多源RAG、MCP协议等技术，解决了构建自主且可控的AI系统难题，为金融市场情报等真实场景提供了可落地的实践范本。

AI智能体现正从概念验证走向生产部署，但自主决策与安全可控的平衡仍是开发者面临的挑战。本项目瞄准金融研究真实场景，支持自动收集市场数据、分析财报、检索内部文档，并在敏感操作前请求人类确认。技术栈选用Python3.12+、LangGraph（状态管理）、FastAPI（异步API）、Streamlit（交互界面）、Docker（容器化），可无缝迁移至AWS App Runner等云环境。

1. 循环状态图：替代传统线性流水线，支持多步推理、自纠正与工具调用，通过AsyncSqliteSaver实现状态持久化，确保服务重启后断点恢复；2. MCP协议：统一异构工具访问接口，集成SQLite（CRM数据）、yfinance（股价）、Filesystem（文件）、Playwright（浏览器）等MCP服务器，提升扩展性与可替换性；3. 双层记忆系统：短期记忆（BaseStore保存会话事实）与长期记忆（InMemoryStore跨会话持久化，计划升级至AsyncSqliteStore），通过MCP工具管理。

1. 人机协同（HITL）：将工具分为只读（自动执行）与副作用（需用户批准）两类，通过LangGraph动态中断机制实现敏感操作确认；2. 多源RAG：静态知识库（Pinecone向量库+OpenAI嵌入模型）存储内部文档，动态信息通过yfinance、Tavily搜索、Playwright获取；3. 无头浏览器：Playwright支持访问动态网页、获取可访问性树、截图存证；4. 沙盒工作区：data/workspace目录提供文件I/O能力，写入操作受HITL管控。

演示场景：查询CRM中VIP客户Yaniv Bohbot→检索Amazon 2024 AI战略→发送邮件（需用户确认），覆盖结构化查询、向量检索、内容生成、人机交互等环节。部署运维：Docker容器化确保环境一致，uv加速依赖安装，环境变量管理敏感配置，FastAPI与Streamlit分离支持独立扩展。

本项目是生产级AI智能体的可落地范本，有机结合LangGraph状态管理、MCP标准化、RAG知识检索、HITL安全控制。核心启示：架构设计比模型参数更重要；HITL是高风险场景生产部署的必需；标准化协议降低工具管理复杂度；状态持久化保障系统可靠性。对探索智能体生产化的开发者具有重要参考价值。