基于 LangGraph 的销售智能体¶

约 2940 个字预计阅读时间 9 分钟

B2B 销售日常涉及客户跟进、商机推进、沟通复盘、竞品应对与各类文案产出，信息分散在 CRM、沟通录音 ASR、评估报告与知识库中。一线销售难以在拜访间隙快速拉齐数据、生成材料或获得可执行建议。

本项目是面向一线销售代表的 AI 工作助手。基于 LangGraph 状态图与 Agentickit 企业级框架，实现 Skill 路由、Tool Calling、Text-to-SQL 与多层 Memory，通过 A2A 协议对接前端流式对话，并支持 Agent 间标准化协作通信。

1. 背景与目标¶

1.1 问题背景¶

慧销平台已沉淀大量销售过程数据：客户画像、商机阶段、沟通 ASR 转写、能力/任务评估、竞品提及、成交模型维度等。一线销售常见痛点包括：

查数难：“这周跟进了哪些高风险客户”、“某商机最近三次沟通的任务完成率”需要跨多表关联，销售不会写 SQL；
写材料慢：日报、客户邮件、方案摘要、会议纪要占用大量非销售时间；
上下文断裂：跨会话无法记住用户偏好与历史结论；
能力泛化：同一 Agent 需同时承担数据查询、文案写作、竞品情报、可视化报告等差异很大的任务，单一 Prompt 难以兼顾。

1.2 核心目标¶

搭建基于 LangGraph 的流式、可中断恢复的销售对话 Agent 后端；
采用 Skill + Tool Calling 架构，在单 ReAct 循环内按任务类型动态注入专业能力；
实现 Text-to-SQL 工具链，让销售用自然语言查询业务库（客户、商机、沟通、评估等）；
对接外部 Memory System，支持跨会话记忆检索、沟通原文与组织知识库 RAG；
参考 data-analyst 项目的 Multi-Agent 设计经验，完成向 Skill 架构的迁移与工具复用。

1.3 迭代概览¶

迭代	主题	主要产出
需求与架构	PRD 与 Prompt/Tool 设计	System Prompt 架构、四类 Skill 文档、工具规格、数据库表说明
参考实现	`data-analyst` 子 Agent 架构	Text-to-SQL / 数据分析 / Artifact 三个 LangGraph 子 Agent
工程落地	`coach-askai` 后端	Skill 版 ReAct Agent、A2A 流式服务、PostgreSQL Checkpoint、Memory System 集成
平台化	Prompt 与 Skill 托管	Langfuse 全链路监控，动态编译 System Prompt，工具消息配置

2. 系统架构¶

2.1 总体架构¶

系统采用前后端分离 + Agent 服务独立部署：前端通过 A2A 协议与 coach-askai 通信，Agent 内部为 LangGraph 编译的 ReAct 状态图。核心循环为 before_model → model ↔ tools，Middleware 负责工具链管理、状态注入、Skill Prompt 动态编译与任务取消检测。

┌─────────────────────────────────────────────────────────────────┐
│                     慧销前端（Vue / 移动端）                     │
│              对话 UI · 产物预览 · 流式 Tool 状态展示              │
└────────────────────────────┬────────────────────────────────────┘
                             │  A2A Protocol (SSE 流式)
┌────────────────────────────▼────────────────────────────────────┐
│              coach-askai（FastAPI + Agentickit）                │
│  ┌──────────────────────────────────────────────────────────┐   │
│  │ AskSalescoachHandler → create_ask_salescoach_agent       │   │
│  │   ReAct Loop: before_model → model ↔ tools               │   │
│  │   Middleware: 任务取消 · 消息清理 · Skill Prompt · 选工具  │   │
│  └──────────────────────────────────────────────────────────┘   │
│         │              │                │              │        │
│         ▼              ▼                ▼              ▼        │
│   Langfuse        PostgreSQL         MySQL          Memory      │
│   全链路监控       Checkpoint         只读           System API  │
│   Prompt/Skill    + A2A Task Store   业务数据       记忆/知识库  │
└─────────────────────────────────────────────────────────────────┘

2.2 技术栈¶

层次	技术选型	说明
Agent 框架	LangGraph 状态图 + LangChain ReAct	自定义 `AgentStateSchema`
大模型	Qwen3-max（内部 LLM Gateway）	流式输出，`temperature=0`
服务协议	A2A + FastAPI	流式对话、Agent 间协作通信、中断恢复
对话状态	PostgreSQL	多轮消息与业务状态持久化
业务数据	MySQL	Text-to-SQL 查询目标库
长期记忆	Memory System HTTP API	相似记忆检索、沟通原文、组织知识库 RAG
缓存	Redis	用户 Profile 缓存
可观测性	Langfuse	Prompt/Skill 托管、LLM 与 Tool 全链路 Tracing
SQL 安全	sqlglot	AST 级 SELECT-only、LIMIT、JOIN 规则校验

3. Skill 体系与 Multi-Agent 设计¶

3.1 Skill 路由机制¶

PRD 定义四类 Skill（托管于 Langfuse），通过 select_skill 支持多技能场景切换：

Skill	职责	典型场景
`data-query`	业务数据 Text-to-SQL、沟通内容分析	查客户/商机/业绩、统计高风险客户、客户需求洞察
`sales-writing`	销售文案生成	智能话术、日报周报、客户邮件、方案摘要
`market-intelligence`	竞品与行业情报	实时竞品分析、差异化定位、异议应对
`visualization`	HTML 可视化产物	看板、图表、汇报页面

运行时，LLM 调用 select_skill 更新 activated_skill，Middleware 将对应 Skill 正文注入 System Prompt 并过滤工具集，以 Prompt 编排替代子 Agent 嵌套。

3.2 架构演进：从 data-analyst 到 coach-askai¶

data-analyst 是管理者侧 SalesCommander 的参考实现，采用主 Agent + 三个子 Agent：

子 Agent	入口工具	内部工具链
Text-to-SQL	`data_query`	`get_table_schema` → `generate_sql` → `modify_sql` → `execute_sql` → `return_result`
数据分析	`data_analysis`	`generate_script` → `execute_script` → `return_result`
Artifact	`create_artifact`	`generate_artifact_code` → `push_to_frontend` → `return_result`

coach-askai 复用了 SQL 工具实现、状态注入模式（StatefulToolNode / get_state_context()）、SQL 校验工具与 Memory 客户端，但将子 Agent 扁平化为顶层 Tool，并用 Skill 替代子 Agent 的角色边界。核心操作工具（create / view / str_replace / push_to_front）对应原 Artifact 子 Agent 能力，供 sales-writing 与 visualization Skill 使用。

4. Tool Calling 与状态管理¶

4.1 工具分类¶

类别	工具	作用
路由	`select_skill`	切换激活 Skill，写回 `activated_skill`
核心操作	`create`, `view`, `str_replace`, `push_to_front`	创建/编辑/预览/推送 Markdown/HTML/Python 产物至前端
数据查询	`get_table_schema`, `generate_sql`, `modify_sql`, `execute_sql`, `get_conversation_content`	Text-to-SQL 全链路与单次沟通 ASR 原文
信息检索	`search_memory`, `search_knowledge_base`, `web_search`	跨会话记忆、组织知识库 RAG、联网搜索

4.2 状态管理机制¶

设计 AgentStateSchema 统一管理 Agent 运行时状态，核心包括：

上下文追踪：LangGraph Checkpoint 持久化多轮 messages 与 activated_skill；
对象管理：objects 存储 HTML/Markdown 等产物，object_id 引用避免上下文膨胀；
SQL 查询结果缓存：sql_queries 按 sql_id 缓存 SQL 文本、行数据与预览摘要；
工具执行状态：last_tool_execution 供流式 UI 展示。

工具通过 Middleware 注入 InjectedState + ContextVar（set_state_context）访问状态，LLM 侧仅保留 ID 与摘要，完整内容通过 view 分页读取，提升响应速度与对话连贯性。

4.3 动态工具加载¶

get_system_tools(state) 根据用户 org_id 从 tool_manager 动态挂载 search_knowledge_base，实现按组织隔离的知识库 RAG，与 Memory System 的 knowledge_space_list / search_knowledge_docs 对接。

5. Text-to-SQL 工具链¶

标准工作流：

get_table_schema(table_names) → generate_sql → (modify_sql)* → execute_sql → view(sql_id)

get_table_schema：动态拉取 MySQL 表结构、主键、索引与 3 行样例；结合 Langfuse deprecated_columns 过滤废弃字段；
generate_sql / modify_sql：将 SELECT 语句存入 state.sql_queries，支持字符串级增量修改；
execute_sql：只读连接池执行，结果写回 state，返回预览；
get_conversation_content：通过 Memory System 拉取指定 conference_id 的完整 ASR 转写，用于单次沟通深度分析。

执行前由 validate_sql_utils.py 基于 sqlglot 做 AST 校验（SELECT-only、强制 LIMIT、JOIN 规则等），配合只读 Session 构成纵深防御。

6. Memory 体系¶

Agent 记忆分为三层：

层级	存储	职责
短期	LangGraph Checkpoint（PostgreSQL）	当前会话消息、Skill 状态、SQL/产物 ID 引用
任务	A2A Task Store（PostgreSQL）	任务生命周期、取消/中断恢复
长期	Memory System API	跨会话相似记忆、用户 Profile、沟通原文、组织知识库

Memory System 主要接口（memory_system_client.py）：

POST api/v1/memories/search-similar — search_memory 关键词检索历史结论；
POST api/v1/memories/get-original-text — 沟通 ASR 原文；
POST api/v1/knowledge/search_knowledge_docs — 组织知识 RAG；
GET api/v1/profiles/{user_id}/{org_id} — 用户画像（Redis 缓存）。

Middleware 在每次 LLM 调用前检测 A2A 任务是否已取消，并清理不完整的 tool_calls，避免 Checkpoint 脏数据导致后续调用失败。

7. Prompt 工程¶

7.1 System Prompt 结构¶

主导 Agent 产品需求分析，设计完整的 System Prompt 架构（PRD 采用 XML 分段）：

Persona：智能销售搭档人设；
Core Principles：销售优先、结论先行、数据说话、用户决策；
Tool Usage：各工具的调用规范与禁止事项；
Skills：动态编译的 Skill 目录与激活后注入的 <skill.body>。

7.2 Langfuse 集中托管¶

System Prompt、开场白、Skill 正文、工具流式/静态 UI 文案均版本化管理（production label）；
tool_message_configs 配置各 Tool 在前端的展示标题与进度文案；
deprecated_columns 按表维护废弃字段，减少 LLM 生成无效 SQL；
Langfuse Tracing 覆盖 LLM 与 Tool 调用，构建可观测的 Agent 基础设施。

8. 流式服务与 API¶

服务通过 Agentickit 启动，默认端口 10000，核心能力：

能力	说明
A2A 标准路由	任务发送、流式响应、Agent 间协作通信
`/serverstatus`	健康检查
`/resume`	中断后恢复 LangGraph 执行
`/edit_message`	编辑历史消息后重新运行

AskSalescoachHandler 负责将 LangGraph astream_events 转为前端 SSE 事件：文本增量、Tool 执行状态、产物 object 推送等。

9. 个人工作与收获¶

9.1 主要负责¶

主导 Agent 产品需求分析，设计完整 System Prompt 架构，开发 Tools 与 Skills，支持多技能场景切换；
基于 LangGraph 状态图与 Agentickit 企业级框架构建销售 Agent，使用 A2A 协议实现 Agent 间协作通信；
设计状态管理机制，实现上下文追踪、对象管理、SQL 查询结果缓存等核心能力；
采用 Middleware 模式实现工具链管理与状态注入，集成 Langfuse 全链路监控；
落地智能话术生成、实时竞品分析、客户需求洞察等能力，赋能一线销售日常作业。

9.2 技术收获¶

Agent 架构选型：对比 Multi-Agent 与 Skill 设计两种 Agent 架构；
Tool Calling 工程化：Stateful Tool、ContextVar 注入、大结果 ID 引用，避免上下文爆炸；
Text-to-SQL 落地：业务表 schema 文档化、sqlglot 安全校验、2B/2C 领域规则注入 Skill；
可观测性：Langfuse 全链路 Tracing + Middleware 可靠性保障（任务取消、脏消息清理）。

10. 总结与展望¶

Salescoach Agent 将 LangGraph ReAct、Skill 路由、Tool Calling、Text-to-SQL 与多层 Memory 整合为面向一线销售的对话式 AI 助手，嵌入慧销平台的客户—商机—沟通—评估数据闭环。Agent 已支持智能话术生成、实时竞品分析、客户需求洞察等场景，Skill 版架构在保持专业能力边界的同时简化了运行时拓扑，更适合高频、低延迟的销售日常问答。

写入简历

项目：基于 LangGraph 的销售智能体

角色：Agent 实习生

技术栈：Python / LangGraph / Agentickit / LangChain / Qwen3-max / Text-to-SQL / A2A / PostgreSQL / MySQL / Langfuse / Redis

S（情境）

慧销沉淀了客户、商机、沟通 ASR、销售评估等大量业务数据，一线销售在拜访间隙难以快速查数、写材料和获取可执行建议；同时 Agent 需覆盖数据查询、文案写作、竞品情报、可视化等多种能力，单一 Prompt 难以兼顾。

T（任务）

主导后端 Agent 需求分析与架构设计：基于 LangGraph 状态图与 Agentickit 构建 Salescoach Agent，实现 Skill 路由、Tool Calling、Text-to-SQL、多层 Memory 与 A2A 协作通信。

A（行动）

设计 System Prompt 架构与四类 Skill，开发 Tools 并支持 select_skill 多技能场景切换；
设计状态管理机制，实现上下文追踪、对象管理、SQL 查询结果缓存，采用 Middleware 完成工具链管理与状态注入；
搭建 Text-to-SQL 工具链（sqlglot AST 校验 + 只读 MySQL），梳理业务表 schema 与 2B/2C 查询规则；
集成 Langfuse 全链路监控与 Memory System，构建可观测 Agent 基础设施；
对接 A2A 流式 Handler，支持产物推送、任务取消与中断恢复。

R（结果）

交付可流式交互的 Salescoach Agent 后端，支持自然语言查数、智能话术生成、实时竞品分析与客户需求洞察；
形成 Skill + Tool Calling 可扩展架构，Skill 与 Prompt 可独立迭代，响应速度与对话连贯性明显提升；
沉淀 Text-to-SQL 安全校验与业务表文档化规范，为 SalesCommander 及教练 Multi-Agent 产品线提供可复用工具层。