本文详细介绍了一个基于 Harness Engineering 架构的汽车零部件采购智能助手，该系统利用 DeepAgent 和 LangGraph 框架，结合 MCP 协议，实现了供应商智能分析、采购订单全生命周期管理、库存预警等功能。系统核心亮点包括遵循 Planning → Executing → Review → Result 的工作流、采用7层防护的生产级 Docker 安全沙箱、五态沙箱生命周期管理、完整的 HITL 人工审批流程、33个工具集等。文章还提供了详细的技术栈、系统架构、项目结构和快速启动指南，为AI Agent开发者提供了宝贵的参考。

---

【目录】

• 项目简介
• 技术栈
• 系统架构
• 核心功能

• 1. Harness 工作流（Planning → Executing → Review → Result）
• 2. Docker 安全沙箱（7 层防护）
• 3. 沙箱五态生命周期管理
• 4. HITL 人工审批
• 5. 子Agent 委派
• 6. 项目显式注册的中间件栈
• 7. 33 个工具

• 项目结构
• 快速启动

• 环境要求
• 1. 克隆项目 & 安装依赖
• 2. 配置环境变量
• 3. 启动 MongoDB
• 4. 启动 Docker 沙箱容器
• 5. 启动 MCP Server（端口 9000）
• 6. 启动后端 API（端口 8000）
• 7. 启动前端（端口 3000）
• 8. 访问应用

• 启动顺序总结
• 项目亮点

• 1. 真正的 Harness Engineering 架构
• 2. 生产级 Docker 安全沙箱
• 3. 五态沙箱生命周期
• 4. 完整的 HITL 审批流程
• 5. 中间件栈
• 6. MCP 协议解耦
• 7. MongoDB 全链路持久化
• 8. 子Agent 委派 + YAML 声明式配置
• 9. SSE 流式协议
• 10. 技能系统（Skills）

• API 端点
• 开发说明
• 项目代码仓库地址

推荐一个适合学习AI Agent开发的AI智能体开源项目

项目是Harness Engineering 架构，基于 DeepAgent + LangGraph + MCP 协议的汽车零部件采购智能助手，严格遵循 Harness Engineering 架构思想（Planning → Executing → Review → Result）。

项目代码仓库地址，在文章末尾。

---

项目简介

本项目是一个面向汽车零部件ERP采购管理场景的 AI Agent 系统。通过 DeepSeek、通义千问等模型驱动的智能体，与已部署的 Java ERP 后端进行交互，实现：

• 供应商智能分析（信用评级、供货能力对比）
• 采购订单全生命周期管理（创建/修改/审批）
• 库存预警与出入库管理
• 零部件搜索与供应商关联查询
• 数据可视化图表生成（26 种图表类型）
• 结构化文档输出（Markdown/HTML/CSV/JSON）
• 人工审批流程（HITL — Human-in-the-Loop）

---

技术栈

层级	技术	说明
LLM	DeepSeek deepseek-flash	DeepSeek API（对话、grader、联网搜索共用）
Agent 框架	DeepAgent + LangGraph	状态图引擎，支持中断/恢复/子Agent
MCP 协议	FastMCP + SSE	Agent ↔ ERP 的工具桥接层
Web 框架	FastAPI + Uvicorn	SSE 流式响应
前端	Next.js 16 + React 19 + TailwindCSS 4	流式对话 UI + 中断交互
数据库	MongoDB (Motor/Pymongo)	会话/消息/Store 持久化
沙箱	Docker SDK + 7 层安全防护	隔离代码执行环境
图表	Matplotlib + Pandas	26 种图表生成
语言	Python 3.11+ / TypeScript	后端 Python，前端 TypeScript

---

系统架构

┌─────────────────────────────────────────────────────────────────┐│                    Frontend (Next.js :3000)                       ││              SSE 流式对话 + HITL 中断交互 + 历史管理              │└────────────────────────────┬────────────────────────────────────┘                             │ HTTP / SSE┌────────────────────────────▼────────────────────────────────────┐│              Backend API (FastAPI :8000)                          ││   chat.py (SSE流) + history.py (会话CRUD) + agent_loader.py      ││   MongoDBStore + MongoDBSaver (生产级持久化)                      │└────────────────────────────┬────────────────────────────────────┘                             │┌────────────────────────────▼────────────────────────────────────┐│              Agent Core (DeepAgent)                               ││  ┌──────────┐ ┌───────────────┐ ┌─────────────┐ ┌────────────┐ ││  │ LLM      │ │ Composite     │ │ 中间件栈     │ │ 2 子Agent  │ ││  │ DeepSeek │ │ Backend       │ │ (自定义 +    │ │ analyst    │ ││  │          │ │ (Docker+Store)│ │ 框架内置)    │ │ order      │ ││  └──────────┘ └───────────────┘ └─────────────┘ └────────────┘ ││  ┌─────────────────────────────────────────────────────────────┐││  │ Tools: 23 MCP + 10 Custom = 33 个工具                        │││  │ chart(26种) + web_search + web_fetch + install_skill         │││  │ + hitl_tools + download_sandbox_file + document_generator    │││  └─────────────────────────────────────────────────────────────┘│└────────────────────────────┬────────────────────────────────────┘                             │ MCP (SSE)┌────────────────────────────▼────────────────────────────────────┐│              MCP Server (FastMCP :9000)                           ││   suppliers(5) + parts(5) + orders(7) + inventory(6) = 23 tools │└────────────────────────────┬────────────────────────────────────┘                             │ HTTP REST┌────────────────────────────▼────────────────────────────────────┐│              Java ERP 后端 (:8081)                                ││              http://localhost:8081（可替换为你的 ERP 地址）         │└─────────────────────────────────────────────────────────────────┘

---

核心功能

1. Harness 工作流（Planning → Executing → Review → Result）

Agent 严格遵循四阶段工作流：

• Planning：分析用户意图，生成任务规划（前端展示 TodoList）
• Executing：调用 MCP 工具 / 沙箱执行代码 / 委派子Agent
• Review：按需审查执行结果，验证数据完整性（问候、感谢和纯概念问答默认跳过 grader；查询、分析、下单等业务任务自动启用）
• Result：结构化输出最终结果

审查策略配置在 src/agent/harness_config.yaml 的 review.mode：auto（默认）、always 或 never。判断过程只使用本地规则，不会为了决定是否审查而额外调用一次模型。

2. Docker 安全沙箱（7 层防护）

1. --read-only          文件系统只读2. --tmpfs/tmp         临时目录内存挂载（限制大小）3. --memory="512m"      内存上限4. --cpus="1.0"         CPU 上限5. --network bridge     网络隔离/受限6. --cap-drop ALL       移除所有 Linux Capability7. --security-opt       seccomp 系统调用白名单

支持可扩展多语言运行时：Python / Go / Node.js

3. 沙箱五态生命周期管理

预热池(WARM) → 认领(CLAIMED) → MongoDB缓存(CACHED)     ↑                              │     │ 补充预热                      │ 故障/超时     │                              ↓  新建(CREATE) ←────────────── 销毁(DESTROY)

4. HITL 人工审批

• 订单创建/更新触发 interrupt_on 中断
• 前端展示审批卡片，用户批准后恢复执行
• 缺少字段时触发信息补充中断

5. 子Agent 委派

• procurement-analyst：采购分析师（数据分析 + 图表生成）
• procurement-order：订单专家（订单 CRUD + 审批流程）

6. 项目显式注册的中间件栈

#	中间件	职责
1	SandboxHealthMiddleware	沙箱健康检查 + 自动重连
2	HarnessPhaseMiddleware	阶段状态机 + 按需 rubric
3	ContextInjectionMiddleware	用户上下文注入（工厂模式隔离）
4	SkillsSyncMiddleware	技能文件夹级增量同步
5	UserSkillsRestoreMiddleware	用户自定义技能恢复
6	ToolsSummarizationMiddleware	工具调用摘要监控
7	MemoryUpdateMiddleware	用户偏好自动提取
8	SandboxCircuitBreakerMiddleware	沙箱熔断器（三态模型）
9	RubricMiddleware	复杂任务结果审查与有限次重做
10	ModelCallLimitMiddleware	模型调用次数限制
11	ToolCallLimitMiddleware	工具调用次数限制

7. 33 个工具

• 23 个 MCP 工具：供应商(5) + 零部件(5) + 订单(7) + 库存(6)
• 10 个自定义工具：chart_generator, web_search, web_fetch, install_skill, list_user_skills, request_order_info, download_sandbox_file, list_sandbox_files, generate_document, generate_table_report

---

项目结构

ERP-AGENT/├── frontend/# Next.js 前端│   ├── src/│   │   ├── app/# App Router│   │   ├── components/# UI 组件│   │   │   ├── chat/# 对话区（消息/输入/工具调用/思考动画）│   │   │   ├── interrupt/# HITL 中断交互（审批/补充信息）│   │   │   ├── sidebar/# 侧边栏（历史/搜索）│   │   │   └── common/# 通用组件│   │   ├── hooks/# useChat / useSSE / useHistory│   │   └── lib/# API / SSE解析 / 类型定义│   └── package.json│├── src/# Python 后端│   ├── agent/# Agent 核心│   │   ├── main_agent.py              # 主入口：create_main_agent() 7步组装│   │   ├── config.py                  # 全局配置│   │   ├── middleware_config.py       # 子Agent中间件工厂│   │   ├── backends/# Docker 沙箱后端│   │   │   ├── custom_opensandbox.py  # Docker SDK 封装（30+ 方法）│   │   │   ├── sandbox_setup.py       # 安全沙箱创建 + 多语言运行时│   │   │   ├── sandbox_manager.py     # 五态生命周期管理│   │   │   ├── sandbox_proxy.py       # 代理层（热替换）│   │   │   └── seccomp.json           # seccomp 安全策略│   │   ├── middlewares/# 自定义中间件│   │   ├── tools/# 10 个自定义工具│   │   │   ├── document_generator.py  # 文档生成（MD/HTML/CSV/JSON）│   │   │   ├── download_sandbox_file.py # 沙箱文件下载│   │   │   ├── chart_generator.py     # 26 种图表│   │   │   ├── web_fetch.py           # URL抓取 + Skill安装│   │   │   └── hitl_tools.py          # HITL 人工介入│   │   ├── subagents/# 子Agent（YAML声明式）│   │   └── memory/# 系统提示词 + 操作手册│   ├── api_view/# FastAPI Web 层│   │   ├── web_main.py                # 应用入口│   │   ├── agent_loader.py            # Agent 单例（MongoDB持久化）│   │   ├── mongodb_store.py           # LangGraph Store（MongoDB实现）│   │   └── api/# 路由（chat + history）│   ├── mcp_server/# MCP 网关（23个ERP工具）│   ├── skills/# 技能文件（文件夹级）│   └── download/# 生成文件下载目录│├── .env.example                       # 环境变量模板（复制为 .env）├── requirements.txt                   # Python 依赖└── README.md                           # 项目说明与启动指南

---

快速启动

环境要求

• Python 3.11+
• Node.js 18+
• MongoDB 6.0+
• Docker Desktop（已启动）
• DeepSeek API Key（对话、grader、联网搜索共用）

1. 克隆项目 & 安装依赖

# 克隆项目git clone <repo-url>cd ERP-AGENT# Python 依赖pip install -r requirements.txt# 前端依赖cd frontendnpm installcd ..

2. 配置环境变量

编辑项目根目录 .env 文件：

# DeepSeek API Key（主对话、grader、联网搜索共用）DEEPSEEK_API_KEY=sk-your-api-keyLLM_MODEL=deepseek-flashLLM_BASE_URL=https://api.deepseek.comWEB_SEARCH_MODEL=deepseek-flashDEEPSEEK_RESPONSES_URL=https://api.deepseek.com/responses# MongoDB 连接MONGODB_URI=mongodb://localhost:27017# Java ERP 后端地址# 若没有自己的 ERP 服务，可先保留占位地址，联网搜索和基础对话仍可启动ERP_BASE_URL=http://localhost:8081# MCP Server 地址（本地）MCP_SERVER_URL=http://localhost:9000# 沙箱 Docker 镜像SANDBOX_IMAGE=python:3.11-slim

3. 启动 MongoDB

# 确保 MongoDB 正在运行mongod --dbpath /path/to/data# 或使用 Dockerdocker run -d --name mongodb -p 27017:27017 mongo:6.0

4. 启动 Docker 沙箱容器

docker run -d \  --name erp-sandbox \  -w /workspace \  python:3.11-slim \sleep infinity

5. 启动 MCP Server（端口 9000）

python -m src.mcp_server.server_main

看到以下输出表示成功：

🚀 Starting MCP Serveron0.0.0.0:9000 (SSE transport)Uvicorn running on http://0.0.0.0:9000

6. 启动后端 API（端口 8000）

python -m src.api_view.web_main

看到以下输出表示成功：

AgentLoader initializedStarting ERP AgentWebServer...Uvicorn running on http://0.0.0.0:8000

7. 启动前端（端口 3000）

cd frontendnpm run dev

8. 访问应用

浏览器打开 http://localhost:3000 即可使用。

---

启动顺序总结

MongoDB → Docker沙箱 → MCP Server(:9000) → Backend API(:8000) → Frontend(:3000)

注意：MCP Server 必须在 Backend API 之前启动，因为 Agent 初始化时会连接 MCP Server 加载 23 个 ERP 工具。

---

项目亮点

1. 真正的 Harness Engineering 架构

不是简单的 ChatBot，而是严格遵循 Planning → Executing → Review → Result 四阶段工作流。前端实时展示每个阶段的状态变化（Phase Bar + TodoList），用户可清晰看到 Agent 的思考和执行过程。

2. 生产级 Docker 安全沙箱

7 层安全防护（只读文件系统 + tmpfs + 资源限制 + 网络隔离 + Capability 移除 + seccomp 白名单 + PID 限制），不是玩具级沙箱。支持多语言运行时扩展（Python/Go/Node.js），项目文件完整同步到沙箱实现真正隔离测试。

3. 五态沙箱生命周期

预热池 → 认领 → MongoDB 缓存 → 新建 → 销毁。服务重启不丢失用户绑定关系，预热池保证 < 100ms 分配速度，健康检查 + 自动重建故障容器。

4. 完整的 HITL 审批流程

订单创建/更新需人工审批，缺少字段时触发信息补充中断。基于 LangGraph 的 interrupt/resume 机制，前端展示审批卡片和信息补充表单。

5. 中间件栈

沙箱健康检查、用户上下文注入（工厂模式防串扰）、技能增量同步、用户技能恢复、工具摘要监控、偏好自动提取、熔断器保护、调用限制。每个中间件都有明确的职责边界。

6. MCP 协议解耦

Agent 不直接调用 ERP API，而是通过 MCP Server 提供的 23 个标准化工具交互。MCP 层可独立部署、独立扩展，Agent 侧无需关心 ERP 接口细节。

7. MongoDB 全链路持久化

• MongoDBSaver：LangGraph Checkpointer（会话状态持久化）
• MongoDBStore：LangGraph Store（跨会话用户偏好/技能存储）
• display_messages：前端展示消息持久化
• conversations：会话列表管理

8. 子Agent 委派 + YAML 声明式配置

采购分析师和订单专家两个子Agent，通过 YAML 文件声明式配置（工具集、系统提示词、委派规则），主Agent 根据任务类型自动委派。

9. SSE 流式协议

完整的 SSE 事件协议：thinking → token → tool_start → tool_result → phase → todo_update → interrupt → done。前端逐 token 渲染，实时展示工具调用和阶段变化。

10. 技能系统（Skills）

文件夹级技能管理（SKILL.md + 脚本 + 依赖），支持安装/同步/恢复。SkillsSyncMiddleware 实现增量同步（SHA256 哈希比对），保留完整目录结构。

---

API 端点

方法	路径	说明
POST	/api/chat/stream	SSE 流式对话
POST	/api/chat/{thread_id}/resume	中断恢复
GET	/api/chat/{thread_id}/state	获取中断状态
GET	/api/chat/{thread_id}/history	获取消息历史
GET	/api/history/{user_id}	获取会话列表
DELETE	/api/history/{thread_id}	删除会话
GET	/api/download/{filename}	下载生成文件
GET	/health	健康检查

---

开发说明

• 修改 Agent 行为：编辑 src/agent/memory/prompts.py（系统提示词）
• 添加新工具：在 src/agent/tools/ 创建工具文件，在 main_agent.py 注册
• 添加新中间件：在 src/agent/middlewares/ 创建，在 main_agent.py 中间件栈中添加
• 修改子Agent：编辑 src/agent/subagents/configs/*.yaml

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】