# Agentic Workflow Engine：基于 LangGraph 与 MCP 的生产级 AI 工作流自动化平台

> 一个面向生产环境的 AI 工作流自动化平台，整合 LangGraph 状态机、MCP 工具生态、Agentic RAG 检索增强与人工审批机制，提供从自然语言输入到多工具执行的完整智能体编排方案。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-06-14T00:15:29.000Z
- 最近活动: 2026-06-14T00:51:09.710Z
- 热度: 154.4
- 关键词: LangGraph, MCP, Agentic RAG, AI Workflow, Human-in-the-loop, LiteLLM, FastAPI, Streamlit, Qdrant, 智能体编排
- 页面链接: https://www.zingnex.cn/forum/thread/agentic-workflow-engine-langgraph-mcp-ai
- Canonical: https://www.zingnex.cn/forum/thread/agentic-workflow-engine-langgraph-mcp-ai
- Markdown 来源: ingested_event

---

## 原作者与来源

- 原作者/维护者：chetan6019
- 来源平台：github
- 原始标题：agentic-workflow-engine
- 原始链接：https://github.com/chetan6019/agentic-workflow-engine
- 来源发布时间/更新时间：2026-06-14T00:15:29Z

## 原作者与来源\n\n- 原作者/维护者：chetan6019\n- 来源平台：GitHub\n- 原始标题：agentic-workflow-engine\n- 原始链接：https://github.com/chetan6019/agentic-workflow-engine\n- 来源发布时间/更新时间：2026-06-14T00:15:29Z\n\n## 项目概述\n\nAgentic Workflow Engine 是一个面向生产环境的 AI 工作流自动化平台，它将自然语言交互与复杂的多步骤任务编排相结合。用户可以通过 Streamlit 聊天界面或 FastAPI 端点输入需求，系统会利用 LangGraph 状态机进行任务规划、上下文检索、工具调用执行，并在关键节点引入人工审批机制，最终将结果流式返回给用户。\n\n该项目的核心定位是填补"原型级智能体演示"与"生产级自动化系统"之间的鸿沟。它不仅仅是一个概念验证，而是包含了完整的认证授权、速率限制、可观测性和安全护栏的企业级架构。\n\n## 架构设计解析\n\n整个系统采用分层架构设计，各组件职责清晰：\n\n**用户交互层**：提供 Streamlit 前端（端口 8501）和 FastAPI 后端（端口 8000）两种接入方式。FastAPI 层负责 JWT 认证、速率限制和 SSE 流式响应。\n\n**编排核心层**：基于 LangGraph StateGraph 实现，包含五个关键节点：\n- **Retriever**：从 Qdrant 向量数据库检索历史计划、用户偏好和工具文档\n- **Planner**：通过 LiteLLM 调用大模型（支持 gpt-4o-mini 或 llama-3.1-70b）生成执行计划\n- **Orchestrator**：通过 MCP Client 调用外部工具（日历、Gmail、Notion、Slack）\n- **Composer**：使用 LiteLLM 整合执行结果生成最终回复\n- **Guardrails**：基于置信度评分决定流程走向\n\n**基础设施层**：包括 PostgreSQL（主数据存储）、Redis（缓存、速率限制、SSE 发布订阅）、Qdrant（向量检索）、LiteLLM Proxy（统一模型网关）以及可选的 Langfuse（LLM 调用链路追踪）。\n\n## 关键技术特性\n\n### 1. LangGraph 状态机编排\n\n项目充分利用 LangGraph 的 Stateful 特性，将复杂工作流建模为状态图。每个节点都有明确的输入输出契约，支持断点续传和人工介入。通过 `interrupt()` 机制，系统可以在关键步骤暂停执行，等待人工审批后再继续。\n\n### 2. MCP 协议集成\n\n项目实现了四个 MCP（Model Context Protocol）服务器：Calendar、Gmail、Notion、Slack。MCP 作为标准化的工具调用协议，让大模型能够以统一的方式与外部服务交互。项目使用 `langchain-mcp-adapters` 作为客户端适配器，将 MCP 工具无缝接入 LangChain/LangGraph 生态。\n\n### 3. Agentic RAG 检索增强\n\n不同于传统的静态知识库，该项目实现了动态 Agentic RAG。Retriever 节点不仅检索历史计划和用户偏好，还会索引 MCP 工具的能力文档。这意味着系统能够根据当前任务需求，动态选择最合适的工具并理解其使用方式。\n\n### 4. 人工介入机制（HITL）\n\n项目设计了基于置信度的多级安全护栏：\n\n| 置信度范围 | 系统行为 |\n|-----------|---------|\n| ≥ 0.85 | 自动完成，无需人工干预 |\n| 0.55 - 0.85 | 暂停执行，等待人工审批 |\n| < 0.55（有重试次数） | 重新规划，尝试替代方案 |\n| < 0.55（无重试次数） | 阻断执行，返回解释说明 |\n\n这种设计在高风险操作（如发送邮件、修改日程）场景下尤为重要，既保证了自动化效率，又保留了人工监督的能力。\n\n### 5. 统一模型网关\n\n通过 LiteLLM Proxy 作为唯一的模型访问路径，项目实现了对多模型提供商的统一管理。支持 OpenAI、Groq 等不同后端，并可在配置中灵活切换。这种抽象层让上层应用无需关心底层模型差异，便于 A/B 测试和模型升级。\n\n## 技术栈选型分析\n\n项目的技术栈体现了当前 LLM 应用开发的最佳实践：\n\n**编排框架**：LangGraph 提供状态管理和流程控制，相比简单的 Chain 或 Agent 模式，更适合复杂多步任务。\n\n**工具生态**：MCP 协议的采用具有前瞻性，这是 Anthropic 主导的开源标准，有望成为 AI 工具集成的行业规范。\n\n**向量数据库**：Qdrant 作为 Rust 实现的高性能向量数据库，在检索速度和扩展性方面表现优异。\n\n**可观测性**：集成 Langfuse 进行 LLM 调用链路追踪，配合 structlog 的结构化日志，为生产环境故障排查提供了有力支持。\n\n**部署方案**：完整的 Docker Compose 配置，包含 10 个服务的完整栈，体现了云原生部署思维。\n\n## 适用场景与价值\n\n该项目适合以下应用场景：\n\n**企业自动化助手**：能够处理跨系统的复杂任务，如"查看今天的日程，将重要会议材料发送到 Slack，并在 Notion 中创建会议纪要模板"。\n\n**智能客服升级**：结合 RAG 检索企业知识库，通过 MCP 调用内部系统（CRM、工单系统），在需要时转人工确认。\n\n**个人效率工具**：作为统一入口管理分散在各平台的任务和信息，减少应用切换成本。\n\n## 快速开始指南\n\n项目提供了完整的本地部署方案：\n\n1. 克隆仓库并配置环境变量（OPENAI_API_KEY、JWT_SECRET、FERNET_KEY）\n2. 启动基础设施服务（PostgreSQL、Redis、Qdrant、LiteLLM Proxy）\n3. 初始化数据库并导入示例数据\n4. 分别启动 FastAPI 后端和 Streamlit 前端\n5. 使用 demo/demo123 登录体验\n\n整个流程设计合理，约 10 分钟即可完成本地环境搭建。\n\n## 总结与展望\n\nAgentic Workflow Engine 代表了当前 LLM 应用工程化的一个典型方向：从简单的 Prompt Engineering 走向完整的系统架构设计。它将 LangGraph 的状态管理、MCP 的工具生态、RAG 的上下文增强、以及 HITL 的安全机制有机整合，为构建可信赖的 AI 自动化系统提供了可复用的工程模板。\n\n随着 MCP 生态的成熟和更多企业级工具的接入，这类平台有望成为 AI 时代的"工作流操作系统"，重新定义人机协作的边界。