从Demo到生产：一个具备持续进化能力的HR多智能体平台

本文解析的hr-intelligence-platform项目，是面向生产环境的HR数据平台与多智能体系统。它突破传统Demo级智能体局限，通过人机协同改进闭环、完整审计追踪与角色分离治理，解决敏感业务场景中AI智能体的安全部署问题，核心回答如何让智能体持续进化同时确保可控性。

当前LLM应用大量停留在"演示可用"阶段，面对真实世界复杂性易暴露脆弱性。尤其HR敏感领域，薪资查询错误或数据泄露可能引发合规事故与法律风险。该项目针对此痛点设计，旨在构建面向生产的完整系统。

HR数据平台层

管理84个三级数据分类，涵盖飞书同步、手动上传等四种数据源，以三个业务单元为维度锚点。薪资数据采用30分钟TTL二次验证机制，权限与岗位绑定，避免职责分离失效。

多智能体系统层

基于LangGraph框架，采用"规划器+监督者"双层调度：规划器负责语义意图识别（关键词作为故障保护），监督者将任务分发给解析器、检索器等五个专业智能体，兼顾灵活性与可预测性。

追踪与反馈收集

每一次运行生成详细执行轨迹（用查询哈希保护敏感信息），用户可点赞/点踩提供反馈。

自动复盘智能体

每周自动聚类分析负面案例，生成双视图输出：业务摘要层供HR决策，技术详情层供技术修复。

改进工单与测试门禁

业务管理员审阅发现后转化为工单，测试门禁为硬性规则，无法绕过失败测试发布修改，强制执行流程规范。

设计三层角色体系：

• 业务管理员：有薪资访问权限但受TTL约束，所有操作被审计（记录行为不记录数值）；
• 技术管理员：负责系统运维但无法查看薪资数值，实现职责隔离；
• 普通员工：仅访问相关运营数据，薪资数据在意图分类、返回字段、界面层三重隔离。

RAG策略

采用Qwen嵌入+混合检索（向量+关键词）+重排序，零命中时明确拒绝回答，避免编造。

评估体系

三层指标：意图识别准确率、检索命中率、回答质量（LLM-as-Judge），支持定时自动与按需触发。

技术栈

后端：Python+FastAPI+PostgreSQL(pgvector)+Celery+LangGraph；大模型：Qwen（嵌入+对话）；前端：原生HTML/JS；部署：Docker Compose。

• 语义路由优于关键词枚举：用LLM语义理解路由，关键词作为故障保护；
• 岗位绑定权限优于细粒度开关：薪资权限与角色绑定，避免权限滥用；
• 纵深防御与预门禁：敏感检查前置，确保策略一致性；
• 复盘不自动修复：复盘智能体仅发现问题，改进需人工决策+门禁验证。

该项目为Demo到生产的AI智能体部署提供完整参考，价值在于对生产复杂性的系统性思考（审计、回滚、权限隔离、可控改进）。对企业LLM应用开发者，其改进闭环、角色分离与测试门禁设计值得深入研究，强调生产系统需"可管、可审、可控"。