开源：基于 LangGraph + RAGFlow 的三智能体长文档生成平台 OpenSpec

项目简介

OpenSpec 是一个企业级 AI 专业长文档生成平台，采用 RAG + 三智能体工作流架构，适用于建筑设计、招投标、汽车维修、医疗等需要生成结构化长文档的行业场景。

• GitHub：github.com/zhuzhaoyun/OpenSpec
• 在线 Demo：archspec.aizzyun.com（账号 [email protected] / 密码 test）
• 开源协议：GPLv3

要解决的问题

在建筑设计、招投标等行业，从业者需要频繁产出几十页甚至上百页的专业文档。这些文档必须引用行业标准、前后数据一致、格式符合模板要求。

直接用 ChatGPT / 通义千问等通用大模型生成存在以下问题：

1. 上下文丢失：写到第 30 页时前面的数据已经"忘了"，前后矛盾
2. 幻觉严重：编造不存在的国标编号，张冠李戴引用条文
3. 无审核机制：单个 AI 自己写自己审，发现不了自身错误
4. 无知识库：不知道企业用的哪版规范、哪些设计参数

系统架构

整体架构

 ┌─────────────────────────────┐ │ Knowledge Base (RAG) │ │ Standards / Cases / Docs │ └──┬────────────┬────────────┬─┘ │ │ │ query on query on query on demand demand demand │ │ │ ┌────────┐ ┌──────────▼─┐ ┌─────▼─────┐ ┌▼──────────┐ ┌────────┐ │ Input │──▶│ Researcher │──▶│ Generator │──▶│ Auditor │──▶│ Export │ │ │ │ │ │ │ │ │ │ │ └────────┘ └────────────┘ └─────▲─────┘ └─────┬─────┘ └────────┘ │ │ └── revise ──────┘ 

三智能体工作流

基于 LangGraph 构建有向图状态机，三个智能体各司其职，每个智能体在发现上下文不足时自主查询知识库：

1. Researcher（检索智能体）

从知识库检索规范条文、历史案例、参考资料。

researcher_tools =[retrieve_case, retrieve_standard] researcher_llm = llm.bind_tools(researcher_tools)

循环控制：

• MAX_RESEARCH_LOOPS = 3（硬性上限）
• MIN_CONTENT_THRESHOLD = 1000（字符最小阈值）
• 支持提前退出：内容充足 / 连续空结果 / LLM 判断资料足够

执行策略为两步式：先流式输出推理链（思考阶段），再生成 Tool Calls 调用检索工具（行动阶段）。

2. Generator（生成智能体）

基于检索上下文逐章生成内容。

核心能力：

• 跨章节关联：提取已生成章节 extract_previous_chapters()，做参数一致性检查
• 关联章节分析：find_related_chapters() 确保引用关系正确
• 智能 Token 计数：calculate_available_tokens() 精确控制篇幅
• 后处理：检测 XX、___ 等占位符替换为 [待填写]

上下文来源：从 Researcher 产出的 ToolMessage 中提取检索结果（最多保留 30 条）。

3. Auditor（校验智能体）

审核生成内容的质量。

auditor_tools =[retrieve_standard, retrieve_case] auditor_llm = llm.bind_tools(auditor_tools)

五维度校验：

校验结果：pass → 结束；revise → 带修改意见打回 Generator 重写。

控制参数：MAX_AUDIT_LOOPS = 1，MAX_AUDITOR_TOOL_CALLS = 5。

RAG 知识库

基于 RAGFlow 实现，提供两类检索工具：

@tooldefretrieve_case(query:str)->str:"""从知识库检索历史案例"""return _retrieve_from_kb(query, CASE_KB_IDS,"案例库")@tooldefretrieve_standard(query:str)->str:"""从知识库检索行业规范"""return _retrieve_from_kb(query, STAND_KB_IDS,"规范库")

通用检索函数：

def_retrieve_from_kb(query, kb_ids, kb_name): rag_object = RAGFlow(api_key=RAGFLOW_API_KEY, base_url=RAGFLOW_BASE_URL) chunks = rag_object.retrieve( question=query, dataset_ids=kb_ids, page=1, page_size=10, similarity_threshold=0.55)# 返回格式：【来源: XXX | 相关度: 0.95】内容...

支持动态知识库：set_kb_ids() 可在基础库上追加企业特定知识库，retrieve_from_project_kb() 支持按项目 ID 查询。

Prompt 管理

所有 Prompt 通过 Langfuse 统一管理：

prompt_manager = PromptManager() researcher_prompt = prompt_manager.get_prompt("langchain_researcher") generator_prompt = prompt_manager.get_prompt("construction_agent_system") auditor_prompt = prompt_manager.get_prompt("langchain_auditor")

支持在线调整 Prompt，无需改代码重新部署。

API 接口

# 流式生成（单章节，支持审核） POST /chat/stream # 参数：message, project_id, template, enable_audit, document_id, chapter_name...# 批量生成（多章节，非流式） POST /chat/batch # 简化流水线：Researcher → Generate，无 Auditor

技术栈

项目结构

apps/ ├── web/ # Vue 3 前端 ├── backend/ # Spring Boot 后端 └── agent/ # AI Agent（核心） ├── service/workflow/ │ ├── construction_agent.py # 完整流程（Router + 三智能体） │ ├── batch_construction_agent.py # 批量生成（无 Auditor） │ └── rag_graph.py # RAG 简化流程 ├── service/tools/ │ └── construction_tools.py # RAG 检索工具 └── api/ └── workflow_api.py # API 端点 

应用场景

快速部署

git clone https://github.com/zhuzhaoyun/OpenSpec.git cd OpenSpec cp deploy/docker/.env.example deploy/docker/.env # 编辑 .env，填入以下必要配置：# RAGFLOW_API_KEY, RAGFLOW_BASE_URL, DASHSCOPE_API_KEYcd deploy/docker docker compose up -d

关键环境变量：

启动后访问 http://localhost 即可使用。

GitHub：github.com/zhuzhaoyun/OpenSpec

欢迎 Star / Fork / PR / Issue，有问题评论区交流。