End-to-End Agentic AI Automation Lab

---

📖 概览

欢迎来到 端到端 Agentic AI 自动化实验室。这是一个内容丰富、注重实践的工程指南，展示了如何从基础的 LLM API 调用，逐步构建复杂的多 Agent 自主系统和可用于生产环境的 AI 产品。

无论你想使用 LangGraph 构建高度可靠的 Agentic 工作流、通过 AutoGen 编排多 Agent 协作、实现前沿的 Model Context Protocol (MCP)，还是使用 vLLM 和 Unsloth 部署微调后的本地模型，这个代码库都能满足你的需求。

---

🚀 主要亮点

• 高级 Agentic 框架：深入介绍 LangGraph（StateGraphs、子图、记忆、HITL）和 AutoGen（RoundRobin、Swarm、自定义工具）。
• Model Context Protocol (MCP)：提供符合行业标准的 Anthropic MCP 实现，用于工具执行、网络搜索和 Notion 集成。
• 生产级 RAG 系统：实现混合搜索、BM25、LlamaParse、语义路由以及长短期记忆（Mem0）。
• AI 工作流自动化：使用 n8n 和 LangFlow 实现零代码／低代码多 Agent 编排。
• LLM 微调与服务部署：实践使用 LoRA/Unsloth 进行微调的流水线，并通过 vLLM 部署高吞吐量推理端点。
• 端到端产品：完整实现全栈 AI 面试官、生产级 ATS 和 SynapseAI（具备状态管理和持久化能力的聊天机器人）。

---

📂 仓库模块与项目

实验室采用渐进式结构。点击展开各个模块，查看其底层项目：

1️⃣ 基础知识与数据摄取（模块 01 - 02）

• 01-Pydantic-Data-Validation：数据结构化、字段验证和结构化大模型输出。
• 02-LangChain-Basics：嵌入模型、向量数据库（FAISS、Pinecone）和基础检索增强生成（RAG）试验场。

2️⃣ LangGraph 与工作流编排（模块 03 - 04、13 - 14）

• 03-LangGraph-Introduction：StateGraph、Agentic 工作台、多工具调用。
• 04-LangGraph-Agentic-Workflows：Agentic RAG、多 Agent 主管、人机协作（HITL）和纠错型 RAG（CRAG）。
• 13-e2e-Deep-Agents：观察、评估和可靠的 LangGraph 应用。
• 14-e2e-Ambient-Agent：构建在后台运行的自主 Agent。

3️⃣ AutoGen 多 Agent 系统（模块 05 - 09）

• 05-Autogen-Introduction：异步功能、工具和基础团队。
• 06-Autogen-HITL-and-Agentic-Orchestrator：选择器群聊、Docker 代码执行和基于图的 AutoGen。
• 07-End-To-End-Projects-Autogen：GPT 分析器（模块化架构）、AI 面试官。
• 08-Advanced-Autogen-Team：Swarm 逻辑和心智社会团队。
• 09-Autogen-RAG-and-Memory：集成 mem0，实现跨会话 AutoGen 记忆。

4️⃣ 模型上下文协议（MCP）与 n8n（模块 10 - 12）

• 10-MCP-All-You-Need：通过 MCP 将 AutoGen 与 LangChain 连接起来。线索收集器、FireCrawl MCP 和 Playwright MCP。
• 11-MCP-based-End-to-End-Products：利用 ngrok 和 FastAPI，通过 MCP 架构构建快速、稳健的 API 后端。
• 12-n8n：高级自动化。Agent 链、社交媒体内容生成、并行 Agent 逻辑和 Telegram 机器人集成。

5️⃣ 生产级 RAG 与护栏（模块 17、19）

• 17-Guardrails-for-llm：实现 NeMo Guardrails，确保大模型输出安全且受约束。
• 19-Productions-RAG：行业实践中的 RAG，包括 LlamaParse、BM25/混合搜索、HyDE、分块策略和重排序流水线。

6️⃣ 大模型微调与部署（模块 21 - 22）

• 21-LLM-Deployment-vLLM：使用 vLLM 部署模型以实现高吞吐量生成，并通过 LangChain SDK 访问。
• 22-LLM-FineTune-Deployment：使用 Unsloth、LoRA、HuggingFace Pipelines 进行模型微调，并为边缘设备配置量化方案。

7️⃣ 端到端全栈项目（模块 18、20、23、24）

• 18-e2e-chatbot-mem0-tools-HITL-MCP-RAG：全面实现功能齐全的聊天机器人，具备长期/短期记忆、PostgreSQL 持久化和流式 UI。
• 20-e2e-Productions-grade-ATS：基于 Alembic、SQLModel 和 LangGraph 构建的端到端申请人跟踪系统。
• 23-e2e-multi-agent-plan-research-write-blog：采用精美 Web 前端的多 Agent 写作架构。
• 24-SynapseAI-parsitence-chatbot：通过 FastAPI 构建现代化、API 优先的聊天机器人后端，并实现复杂的图路由。

---

🛠️ 技术栈与工具

核心 AI/ML：

Agent 与编排：

后端与数据：

---

⚙️ 快速开始

1. 克隆仓库

git clone https://github.com/MDalamin5/End-to-End-Agentic-Ai-Automation-Lab.git
cd End-to-End-Agentic-Ai-Automation-Lab

2. 设置虚拟环境

建议使用 conda 或 venv 管理依赖项。

python -m venv venv
source venv/bin/activate  # On Windows use: venv\Scripts\activate

3. 安装依赖项

各模块的依赖项可能有所不同。请进入相应的项目文件夹并安装所需依赖项：

cd 18-e2e-chatbot-mem0-tools-HITL-MCP-RAG
pip install -r requirements.txt

4. 环境变量

将 .env.example 文件（如果模块中有提供）复制为 .env，并添加 API 密钥（OpenAI、Anthropic、HuggingFace 等）：

OPENAI_API_KEY="your_api_key_here"
ANTHROPIC_API_KEY="your_api_key_here"
TAVILY_API_KEY="your_api_key_here"

---

🤝 参与贡献

本仓库在持续更新！我们非常欢迎贡献、错误报告和功能请求。

1. Fork 此项目
2. 创建功能分支（git checkout -b feature/AmazingFeature）
3. 提交更改（git commit -m 'Add some AmazingFeature'）
4. 推送到分支（git push origin feature/AmazingFeature）
5. 发起 Pull Request

---

📜 许可证与联系方式

本项目基于 MIT License 发布。详情请参阅 LICENSE。