一、产品定位与价值
长境 Agent 开发平台（Changjing Agent Development Platform，简称 CJ-ADP）是面向 2025—2026 年企业 Agentic AI 浪潮打造的一站式开发—运行—治理—运营底座。平台解决的不是「能不能调大模型」，而是「Agent 能否在真实业务里稳定执行、可审计、可迭代、可规模化」——这正是 Schneider Electric、Vodafone、monday.com 等领先企业在规模化 Agent 时共同面对的核心挑战。
无论您来自业务团队还是研发中心，都可以在平台上基于 LLM + RAG + MCP 工具链，快速搭建智能客服、知识助手、经营分析、流程审批等生产级 Agent。平台支持 Single-Agent（单智能体）、Workflow（工作流 DAG）、Multi-Agent（多智能体协作） 三种主流范式，并内置 Prompt 工程中心、评测回归、灰度发布与成本治理，覆盖从 POC 到生产的完整生命周期。
二、解决的核心痛点
- POC 无法上线：Demo 对话流畅，但缺少工具鉴权、异常兜底、人工审批，一接生产就崩
- 工具接入成本高：每个 CRM/ERP/HIS 系统都要写定制 Adapter，周期以周计
- 不可观测：Token 黑洞、延迟飙升、成功率下降，无法定位是 Prompt、检索还是工具的问题
- 无法迭代：Prompt 改一行，效果好不好全靠人工试，没有评测基线与回归
- 合规风险：金融、政务、医疗要求全链路审计、权限隔离、敏感操作留痕
三、系统架构（五层模型）
平台采用与腾讯云 ADP、阿里云 AgentRun、Google Agent Platform 同构的分层架构：
| 层级 | 组件 | 职责 |
|---|---|---|
| 体验层 | Web 设计器、Agent 控制台、评测看板 | 低代码编排、调试、发布、监控 |
| 编排层 | LangGraph 运行时、状态机、Checkpoint | 单/多 Agent 调度、长时任务、断点续跑 |
| 能力层 | LLM 路由、RAG 检索、Memory、Sandbox | 模型 Fallback、知识增强、会话记忆、代码沙箱 |
| 工具层 | MCP Gateway、Function Call、企业连接器 | 工具注册、鉴权、限流、审计 |
| 治理层 | IAM、OpenFGA 风格授权、AgentOps | 多租户、策略 enforcement、Trace/Eval/Cost |
四、核心模块详解
4.1 可视化 Workflow 设计器
拖拽式 DAG 编辑器，节点类型包括：LLM 推理、条件分支、循环、并行网关、RAG 检索、工具调用、代码执行、人工审批、子图嵌套。设计器输出标准化 Agent DSL（YAML/JSON），可版本管理、Diff 对比、Git 集成，支持「设计态」与「运行态」分离。
4.2 Prompt 工程中心
- 模板版本库：System / User / Tool Prompt 分角色管理
- 变量注入：{user_name}、{department}、{context} 等动态占位符
- Few-shot 示例库：按场景分类，支持 A/B 对比与自动回归
- Prompt 压缩：长上下文自动摘要，降低 Token 成本
4.3 MCP 工具生态
全面支持 Model Context Protocol（MCP）：工具以 MCP Server 形式注册，Agent 通过 JSON-RPC 标准协议调用。企业可建设 MCP Gateway，统一管理工具发现、OAuth 鉴权、QPS 限流与调用审计。相比传统 Function Call，MCP 更强调持久连接与双向上下文，适合长时任务与流式交互。
预置连接器覆盖：HTTP REST、MySQL/PostgreSQL、Elasticsearch、企业微信、钉钉、邮件、对象存储等；支持自定义 MCP Server 一键上架。
4.4 Multi-Agent 编排
- Supervisor：中央 Agent 解析意图 → 委派子 Agent → 质检汇总（适合需统一把关的场景）
- Pipeline：固定顺序 DAG（适合 ETL、报表、工单流转）
- Swarm：并行探索 + 投票合并（适合策略、创意类任务）
4.5 模型路由与 Fallback
LiteLLM 风格多模型网关：按任务类型、成本、延迟策略路由至 GPT-4o、Claude、DeepSeek、Qwen 等；主模型超时/限流时自动 Fallback 至备用模型；支持私有化部署模型与云端 API 混合调度。
4.6 Checkpoint 与长时任务
基于 LangGraph PostgreSQL Checkpointer，每个 Agent 会话维护 thread_id 与单调递增 checkpoint 快照。节点执行成功后写入 pending writes，其他节点失败时可从最近 checkpoint 恢复，无需重跑已完成步骤——这对 10+ 步的复杂 Agent 流程至关重要。
4.7 AgentOps 可观测
- Trace：OpenTelemetry → Jaeger，可视化 Agent → Tool → LLM 调用链
- Metrics：Prometheus 采集 QPS、P95 延迟、Token 消耗、成功率、人工接管率
- Eval：离线评测集 + 在线 LLM-as-Judge（Faithfulness / Relevance / Coherence）
- Cost：按应用/用户/模型维度成本归因与预算告警
五、典型应用场景与执行流程
场景 A：智能客服 Agent
- 用户提问 → 意图分类（订单/物流/退换货/投诉）
- RAG 检索 FAQ + 订单 MCP 工具查库
- 生成回复 + 引用来源；无法处理则转人工工单
- 全链路 Trace 记录，用于质检与 Prompt 迭代
场景 B：经营分析 Agent（Text-to-SQL）
- 自然语言问数 → Schema-First 表字段召回
- SQL 生成 → 沙箱执行 → 结果可视化
- 报告 Agent 汇总 → 邮件 MCP 推送
场景 C：IT 运维 Agent
- 告警接入 → 分诊 Agent 定级
- 日志/指标 MCP 诊断 → Runbook 工具执行
- 变更需人工审批节点 → 执行后闭环通知
六、API 与集成
| 接口 | 说明 |
|---|---|
| POST /api/v1/agents/{id}/chat | OpenAI Chat Completions 兼容，支持 streaming |
| POST /api/v1/agents/{id}/invoke | 同步任务执行，返回结构化结果 |
| Webhook | 任务完成/失败/需审批时回调企业系统 |
| SDK | Java / Python / Node.js 官方 SDK |
| 渠道 | 企业微信、钉钉、Web Widget、小程序 |
七、安全与合规
- 多租户：平台 / 空间 / 应用 / 知识库四级权限，数据与功能权限解耦
- SSO：对接 LDAP / AD / OAuth2 / OIDC（Keycloak 兼容）
- 工具白名单：Agent 仅可调用已授权 MCP Server，参数 Schema 校验
- 敏感操作：写库、发邮件、转账等需人工 HITL 审批
- 审计：全量调用日志不可篡改存储，满足等保与行业监管
八、部署与规格
| 部署 | 私有化 / 混合云；Docker Compose（POC）、K8s Helm（生产） |
| 高可用 | Agent Pod 水平扩展；Redis 会话；PostgreSQL 主从 |
| POC 周期 | 4—6 周（1 个生产 Agent + 评测基线 + 观测接入） |
| 技术栈 | React、Spring Boot、LangGraph、Redis、PostgreSQL、Prometheus、Jaeger、MCP |
九、实施方法论（长境 4D 法）
- Discover：梳理业务流程 DAG，识别 Agent 边界与工具清单
- Design：选型 Single/Workflow/Multi-Agent，建立评测集（≥30 条）
- Deploy：只读工具先行 → 灰度 5% → 全量，同步接入 AgentOps
- Drive：按周 Review 成功率/成本/接管率，Prompt 与工具迭代
十、常见问题
Q：与 Dify/Coze 等低代码平台有何不同？
A：长境平台面向企业私有化与深度系统集成，强调 MCP 标准工具生态、Multi-Agent 生产编排、Checkpoint 可靠性及金融级审计，而非仅对话 Bot。
Q：是否必须绑定特定大模型？
A：否。平台模型无关，支持 OpenAI 兼容 API、Azure、私有化 vLLM/Ollama 等。
Q：如何衡量上线成功？
A：建议以任务成功率 ≥85%、P95 延迟、单次任务 Token 成本、人工接管率 ≤15% 为核心 KPI，而非对话轮次。
