agent-project

Agent 实战

一、技术栈

• 前端: Gradio
• 后端: Qwen Agent
• 数据库: PostgreSQL/ MySQL
• MCP: server-postgres/ mysql-mcp-server

二、正式项目

1. 智能路由
2. 查询优化

三、配置文件

LLM 和 数据库 配置在 .env 文件中，按律不上传。它的格式如下：

DB_HOST=localhost
DB_PORT=5432
DB_NAME=ecommerce_orders
DB_USER=admin
DB_PASSWORD=admin-password

Note: 请在项目根目录下创建 .env 文件

四、本地运行

前置步骤：

1. 启动本地 LLM 服务，或者配置服务商的 API_KEY
2. 安装 & 构造 Postgres 样例数据

启动 Gradio：

# 简单的聊天 APP，无 SQL 查询功能
python gradio_app.py

# [Agent] 简单查询，无定制工作流
python gradio_postgres_agent.py

# [Workflow] 定制工作流，可以降低错误率，但查询速度较慢
python gradio_postgres_workflow.py

启动后，打开浏览器访问 http://localhost:7860/

如果你用了我的样例数据，可以用以下问题测试：

• 数据库中有哪些表
• 订单表中随便取几条uid我看看
• uid为104的用户有哪些订单
• 查询一下订单1004的物流状态
• 查询uid为104的用户的所有订单的物流状态

五、预研计划

MCP 只是 LLMs 生态中的一环，实现 MCP 需要多种前置服务的支持（比如 vLLM, LangChain）。为了事先了解这些可能我也很陌生的服务，我必须像 Agent 一样，将任务拆分成多个子任务，再逐个进行预研。

本仓库的预研项目如下：

1. Qwen3 推理脚本 (/test_qwen3):
   • 基于 vLLM 开发 qwen3 大模型推理服务
   • 基于 Ollama 开发 bge-m3 文本 embedding 推理服务
2. 简单的 RAG (/test_rag):
   • 基于 LangChain 开发 RAG
   • 开发 bge-m3 推理服务
   • 使用 chroma 作为向量数据库
3. 简单的 Qwen Agent (/test_qwen_agent):
   • 对 SQLite 进行 CRUD 操作
   • 对 Redis 进行 CRUD 操作
   • 查询 PostgreSQL 数据库
   • 查询 MySQL 数据库
   • 使用 Qwen Agent 调用 FastAPI
   • 运行模型编排 Demo
4. 简单的 OpenAI Agent (/test_openai_agent):
   • 使用 chat_completions API 连接本地 vLLM 服务
   • 开发 Function Calling 示例
   • 开发 MCP 示例（SSE 方法）
   • 开发 Handoffs 示例
   • 开发 Central Agent 示例

六、开发日志

• intelligent_routing Python Package
• Postgres / MySQL 数据库元数据查询工具
• Postgres / MySQL Qwen Agent 函数调用 Function Calling
• Postgres / MySQL 带查询功能的简单 Agent（非流式输出）
• Postgres / MySQL 用于优化查询的工作流
• gradio_ui 定义 WebUI 样式
• gradio_app 简单的 LLM Chat APP（流式输出）
• gradio_postgres_agent Postgres APP（流式输出）
• gradio_postgres_workflow Postgres Workflow APP（流式输出）