Lqint工具分享站 | 免费在线工具

1. 总体架构分层

Layered Architecture

展现层 (Presentation) Flask + Jinja Web UI。负责处理 HTTP/SSE 请求，提供同步表单与流式打字机效果。

智能体编排层 (Orchestration) 系统核心大脑。基于 DeepSeek 的 Planner 负责意图识别与多轮工具规划。

工具层 (Tools) 标准化能力封装。包含树洞检索、公告抓取、教务搜索等 Python 函数接口。

数据与存储层 (Data & Storage) 底层基础设施。包含 MySQL 业务库、向量索引库以及外部 API 网关。

系统数据流向图

2. 请求生命周期 (Lifecycle)

前端发起的每一次提问，都会在后端经历初始化、循环规划、工具执行、答案生成四个阶段。

执行流程

初始化 (Init) 后端接收问题 q，初始化空轨迹 steps，设定最大步数 max_steps=5。
规划循环 (Plan Loop) 调用 LLM 判断下一步意图。若返回工具调用指令，则执行；若返回 final，则跳出循环。
工具执行 (Execute) 根据指令分发给 search_* 等函数，获取并精简结果，追加到 steps。
回答生成 (Respond) 将所有 steps 和证据打包，送入 LLM 生成最终的自然语言回答。

💻

核心循环逻辑

PYTHON (Simplified)

# Main Loop
for i in range(max_steps):
    # 1. 规划下一步
    plan = _plan_next_action(user_q, steps, i)

    if plan.get("final"):
        break  # 思考结束，准备回答

    # 2. 执行工具
    tool = plan["action"]["tool"]
    args = plan["action"]["args"]
    result = dispatch_tool(tool, args)

    # 3. 记录轨迹 (精简结果以节省 Token)
    steps.append({
        "tool": tool,
        "args": args,
        "result": slim_result(result)
    })

# 4. 最终生成
return answer_with_deepseek(user_q, steps)

3. 智能体组件详情

🧠

规划器 (Planner)

_plan_next_action 利用 DeepSeek 的 JSON Mode 输出标准化的行动指令。

参数控制：对 limit, size 等参数做强制约束，防止单次拉取过多数据。
白名单机制：只允许调用 allowed_tools 中注册的函数。
历史压缩：传入 LLM 的历史步骤经过摘要处理，只保留核心信息。

📝

回答器 (Responder)

answer_with_deepseek 是最后一道工序，负责将零散的证据整合成流畅的文本。

严格 RAG：Prompt 强调“只基于提供的 sources 回答”，禁止模型幻觉。
结构化引用：自动解析模型生成的 [[n]] 标记，在前端渲染为可点击的角标。

4. 工具层说明

所有工具均遵循 func(args) -> dict 的签名规范。

🛠️

工具集 Registry

系统启动时，会通过 register_tool 装饰器加载以下工具到全局注册表：

search_treehole fetch_treehole_comments search_academy_news search_ruc_cms metaso_kb_search search_course_reviews web_search weather_forecast remote_posts_search remote_person_search remote_activities_upcoming

5. 稳定性与扩展性

稳定性设计

熔断保护：关键工具（如树洞）失败时，会立即终止规划并抛出友好提示，而不是让 Agent 继续瞎猜。
超时控制：所有外部 API 调用均设有严格的 Timeout，防止单个工具卡死整个请求。
异步落库：数据采集端使用队列 + 批量写入，避免高并发下数据库死锁。

扩展性设计

插拔式工具：新增数据源只需编写一个 Python 函数并在 allowed_tools 注册即可，无需修改 Agent 核心逻辑。
模型无关：Planner 与 Responder 模块已解耦，未来可轻松替换为 GPT-4 或 Qwen-Max。
重排器替换：Rerank 模块独立封装，可替换为 BGE 或 Cohere 等其他模型。