EAIOS - 企业级Agent操作系统

演示平台：展示企业级、主动式、带记忆管理的多Agent协同能力

🎯 项目简介

EAIOS是一个企业级Agent演示平台，通过10个页面（1个介绍页 + 8个场景页 + 1个结尾页）展示：

🧠 企业大脑：统一口径、自动想起、有据可查的记忆管理
⚡ 主动式：AI主动发现问题、提出建议、推进业务流程
🔗 多Agent协同：真实跑通业务流程，支持关键节点人工确认

📋 八大场景

场景	名称	主打特性	描述
S1	AI全域营销	主动式	自动营销内容生成与投放建议
S2	AI智能销售	主动式	个性化销售跟进与触达
S3	AI智能客服	企业大脑	对话式客服，带记忆与来源
S4	AI内容生产	企业大脑	企业风格统一的内容生成
S5	AI全流程优化	主动式	项目/OKR进度管理与优化
S6	AI数据分析	主动式	自动异常检测与行动建议
S7	AI风控合规	企业大脑	基于企业红线的合同审查
S8	AI决策军师	企业大脑	CEO视角的经营简报

🏗️ 技术架构

后端

框架: FastAPI (异步Web框架)
记忆管理: Mem0 (AI记忆层)
Agent编排: LangGraph (状态图编排)
LLM: OpenAI GPT-4
MCP工具: Python MCP SDK
向量数据库: ChromaDB / Qdrant

前端

框架: React 18
构建工具: Vite
路由: React Router v6
状态管理: Zustand
样式: TailwindCSS
HTTP客户端: Axios

项目结构

EAIOS/
├── backend/              # 后端
│   ├── app/
│   │   ├── api/         # API路由
│   │   ├── core/        # 核心模块
│   │   │   ├── memory.py      # Mem0记忆管理
│   │   │   ├── agent.py       # Agent编排
│   │   │   ├── mcp.py         # MCP工具
│   │   │   └── llm.py         # LLM调用
│   │   └── main.py      # FastAPI入口
│   ├── data/            # 模拟数据
│   └── requirements.txt
├── frontend/            # 前端
│   ├── src/
│   │   ├── pages/       # 10个页面
│   │   ├── components/  # 通用组件
│   │   └── App.jsx
│   └── package.json
└── README.md

🚀 快速开始

前置要求

Python 3.10+
Node.js 18+
OpenAI API Key

1. 克隆项目

cd C:\EAIOS

2. 后端设置

cd backend

# 创建虚拟环境（推荐）
python -m venv venv
venv\Scripts\activate  # Windows
# source venv/bin/activate  # macOS/Linux

# 安装依赖
pip install -r requirements.txt

# 配置环境变量
cp .env.example .env
# 编辑.env文件，填入你的OpenAI API Key

编辑 .env 文件：

OPENAI_API_KEY=your_openai_api_key_here
OPENAI_MODEL=gpt-4

3. 启动后端

# 在backend目录下
python -m uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

后端启动后访问：

API文档：http://localhost:8000/docs
健康检查：http://localhost:8000/api/health

4. 前端设置

cd frontend

# 安装依赖
npm install

# 启动开发服务器
npm run dev

前端启动后访问：http://localhost:5173

📖 使用指南

记忆管理

访问"记忆管理"页面
添加新记忆（如："公司规定客服必须按照某某流程回答"）
勾选需要启用的记忆
在场景页面中，Agent将自动召回并使用这些记忆

场景演示

选择任意场景（S1-S8）
配置数据模式（内置/手动输入）
点击"开始演示"
观察多Agent工作流节点运行
在关键节点进行人工确认
查看输出结果和来源证明

S3 智能客服场景（完整实现）

场景定位：展示"认人+记历史+主动推荐"的智能客服能力

核心功能

多客户账号切换
- 三个演示客户（张伟/李娜/王强），可自由切换
- 每个客户的聊天记录独立保存（localStorage持久化）
- 切换客户时自动加载对应聊天历史和历史要点
企业大脑记忆系统
- 记忆域隔离：customer_service 域，按 customerId 严格隔离
- AI认人：回答前自动检索该客户的历史要点（最近3条）
- 历史要点展示：左侧卡片显示该客户的互动记录
- 单条删除：支持删除指定历史要点
共享知识库
- 右侧上方显示已有知识库条目
- 下方支持文本输入和文件拖拽上传
- 自动分类：根据内容关键词自动分类（企业口径/产品规格/售后政策/新品）
- 自动检索：AI回答时自动检索知识库，命中时标注来源
- 新品推送：检测到"新品"关键词时，自动向所有客户推送消息
清除当前客户数据
- 点击"清除当前客户数据"按钮
- 清除前端聊天记录 + 后端企业大脑中该客户的所有记忆
- 相当于初始化该账号
Dashboard 实时数据看板
- 已处理咨询数、进度查询成功数、产品信息解答数
- 投诉受理数、自动推送条数、已转人工数
- 新增历史要点数（高亮）、命中历史要点数（高亮）
底部三分对比
- 展示"无智能客服" vs "普通智能客服" vs "我们的智能客服"
- 用对话示例凸显价值差异

使用流程

基础对话

用户："你好"
AI：基于知识库和历史要点的智能回复

添加知识库

输入："新品IPHONE18上市，首发价8999元"
点击"添加到知识库"
→ 自动分类为"新品"
→ 自动向三个客户推送消息
→ 知识库列表立即更新

切换客户验证记忆隔离

张伟账号：咨询产品A
切换到李娜：咨询产品B
再切回张伟：AI能回忆起之前咨询过产品A

清除客户数据

选择张伟 → 点击"清除当前客户数据"
→ 确认后该客户的所有记忆和聊天记录被清空
→ 相当于新客户首次对话

技术实现

后端接口：
- POST /api/s3/chat/stream - 流式聊天（SSE）
- GET /api/s3/customer/points - 获取客户历史要点
- POST /api/s3/kb/add - 添加知识库条目
- GET /api/s3/kb/list - 获取知识库列表
- DELETE /api/s3/customer/{customer_id}/clear - 清除客户数据

记忆域设计：

metadata = {
    "domain": "customer_service",  # 仅S3可读写
    "scope": {"customerId": "U001"},  # 客户隔离
    "category": "customer_point"
}

知识库存储：本地JSON文件 backend/data/cs_kb.json
聊天持久化：前端 localStorage.s3_chat_messages

演示价值点

✅ 认人：切换客户时，AI能准确识别并调取对应历史
✅ 记历史：每次关键对话自动沉淀为历史要点
✅ 主动推荐：检测新品自动推送，无需人工干预
✅ 知识管理：统一口径，所有客服都能查询
✅ 数据可视化：实时统计凸显业务价值

记忆与场景联动验证

验证步骤：

在记忆管理页面添加："客服必须在回答前先询问客户订单号"
勾选该记忆
进入S3智能客服场景
开始对话
观察：Agent会先询问订单号（符合新记忆规定）
取消勾选该记忆
重新开始对话
观察：Agent直接回答（不受该记忆约束）

S8 决策军师场景（完整实现）

场景定位：展示"企业大脑+主动式决策+多轮工具调用"的AI决策能力

核心功能

多轮MCP工具调用
- 支持最多10轮递归工具调用
- 自动分解复杂任务为多个子任务（如：一次性安排3个任务）
- 实时显示工具执行状态和结果
流式对话与工具状态
- SSE（Server-Sent Events）流式输出，实时反馈
- 工具调用状态追踪：calling → success/error
- 支持三种工具事件：
  - tool_call_start：工具开始调用
  - tool_result：工具执行成功
  - tool_error：工具执行失败
智能记忆管理
- LLM自动判断对话是否值得保存到长期记忆
- 区分三类记忆：
  - 工作偏好（work_preference）：决策风格、管理风格、汇报偏好
  - 公司背景（company_background）：业务类型、团队规模、市场定位
  - 业务决策（business_decision）：战略决策、行动计划
- 仅记录企业经营相关信息，不记录CEO个人隐私
会议助手联动
- 左侧：决策军师对话窗口（CEO视角的经营简报）
- 右侧：会议助手对话窗口（会议纪要提取）
- WebSocket实时通信，会议助手更新触发决策军师刷新
localStorage持久化
- 聊天记录自动保存到浏览器本地存储
- 页面刷新后自动恢复对话历史
- 支持一键清除所有记录
手动启动控制
- 点击"开始演示"按钮启动流程
- 避免自动启动导致的重复执行（React StrictMode兼容）

使用流程

启动演示

点击右上角"开始演示"按钮
→ 系统发送欢迎消息
→ 会议助手发送初始指引
→ 可开始对话或使用工具

多轮工具调用示例

用户问："请帮我安排三个任务：优化营销策略、降低获客成本、提升产品质量"

→ 第1轮LLM调用：
   - AI返回tool_call: anpaitask("优化营销策略")
   - 前端显示"调用中..."
   - 后端执行工具并返回结果
   - 前端更新为"成功 ✓"

→ 第2轮LLM调用：
   - AI继续调用: anpaitask("降低获客成本")
   - 执行并返回结果

→ 第3轮LLM调用：
   - AI继续调用: anpaitask("提升产品质量")
   - 执行并返回结果

→ 第4轮LLM调用：
   - AI不再调用工具，生成总结文本
   - 前端显示："已为您安排三个任务，分别是..."

与会议助手联动

在右侧会议助手窗口输入会议纪要：
"今天讨论了Q4营销策略，决定增加社交媒体投放预算20%"

→ 会议助手提取关键信息
→ 触发REPORT_UPDATED事件（通过WebSocket）
→ 左侧决策军师收到通知
→ 自动更新经营分析和建议

清除对话历史

点击右上角"清除"按钮
→ 清空左右两侧的所有聊天记录
→ 清除localStorage中的持久化数据
→ 重置"开始演示"状态

技术实现

后端接口：
- POST /api/s8/chat/stream - 流式对话（SSE，支持多轮工具调用）
- WebSocket /api/s8/ws - 实时状态推送

多轮工具调用逻辑（backend/app/api/s8_decision.py:386-484）：

# 递归循环：持续处理工具调用，直到LLM不再需要调用工具
max_iterations = 10  # 防止无限循环
iteration = 0

while iteration < max_iterations:
    iteration += 1
    has_tool_calls = False

    # 流式调用LLM（带工具）
    async for chunk in llm_client.async_chat_completion_stream(messages, tools=tools):
        if chunk_type == "tool_calls":
            has_tool_calls = True
            # 执行工具并将结果添加到消息历史
            # 继续下一轮循环
        elif chunk_type == "content":
            # 输出文本内容

    # 如果这一轮没有工具调用，说明任务完成，退出循环
    if not has_tool_calls:
        break

前端状态管理：
- localStorage自动持久化（s8_decision_messages, s8_meeting_messages）
- 手动启动控制（started状态）
- 工具调用状态实时更新（SSE事件监听）

智能记忆保存（异步，不阻塞流式输出）：

# LLM判断对话价值
should_save, summary, memory_type = await _should_save_to_memory_llm(
    user_message, ai_reply, llm_client
)

# 仅保存有价值的企业信息
if should_save:
    app_state.mem0.add(
        summary,
        metadata={
            "domain": "s8_decision",
            "type": memory_type,  # work_preference/company_background/business_decision
            "session_id": session_id
        }
    )

演示价值点

✅ 多轮工具调用：一次请求自动执行多个子任务，无需人工干预 ✅ 实时状态反馈：流式输出+工具状态追踪，用户体验流畅 ✅ 智能记忆管理：自动识别并保存重要的企业信息 ✅ 双Agent联动：决策军师+会议助手协同工作 ✅ 数据持久化：刷新页面不丢失对话历史

🔧 核心功能说明

1. 记忆管理（Mem0）

特性：

✅ 语义搜索（基于向量数据库）
✅ 可勾选/取消勾选（控制是否被Agent召回）
✅ 记忆类型：全局/场景/交互
✅ 来源溯源（每条记忆附带metadata）

API接口：

POST /api/memory/add - 添加记忆
POST /api/memory/toggle - 勾选/取消勾选
GET /api/memory/list - 获取所有记忆
POST /api/memory/search - 搜索记忆
DELETE /api/memory/{id} - 删除记忆

2. Agent编排（LangGraph）

特性：

✅ 状态图编排
✅ 节点自动/手动流转
✅ 关键节点确认机制
✅ 来源证明链追踪

编排器结构：

class ScenarioOrchestrator:
    def build_graph(self):
        # 定义节点和边
        workflow.add_node("node1", self.node1_func)
        workflow.add_edge("node1", "node2")
        ...

3. MCP 工具层（以外部注册为主）

当前策略（很重要）：系统主要依赖“外部 MCP Server 动态注册工具”。本地仅保留演示用的占位工具类（backend/app/core/mcp.py），真实调用走外部端点。

外部端点配置：环境变量 FEISHU_MCP_URL
后端启动日志会打印“可用工具: [...]”，以外部端点返回为准
S8 流式接口会将外部工具注入到 OpenAI function calling，运行期按工具返回的 schema 严格调用

验证外部工具：

# 在项目根目录执行（Windows PowerShell）
python -c "import os,sys,json; sys.path.append('backend'); from app.core.mcp_client import MCPClient; url=os.getenv('FEISHU_MCP_URL',''); print('Endpoint:', url); c=MCPClient(url); tools=c.list_tools(use_cache=False); print(json.dumps([t.model_dump() for t in tools], ensure_ascii=False, indent=2))"

对齐前端提示词与工具 schema：

请始终以“外部端点实时返回的 schema 为准”，不要使用旧版本地假设
例如 anpaitask 最新 schema（示例自端点返回，说明字段若有编码异常不影响调用）：

{
  "name": "anpaitask",
  "inputSchema": {
    "title": "assign_task_to_userArguments",
    "type": "object",
    "properties": {
      "taskname": { "type": "string" },
      "openid": { "type": "string" }
    },
    "required": ["taskname", "openid"]
  }
}

如需扩展工具（推荐在外部 MCP Server 实现）：

在外部服务新增/更新工具与 schema
重启/热更新后端将自动读取最新工具列表

本地 MCP（process_http 模式，推荐）

当你的 MCP 只能“本地启动”为一个进程（例如通过 mcpServers 配置拉起命令），可使用本项目的本地进程兼容模式：

在 .env 中配置：

MCP_MODE=process_http
# 启动 MCP 的命令与参数（args 支持 JSON 数组或空格分隔字符串）
MCP_PROCESS_COMMAND=cmd
MCP_PROCESS_ARGS=["/c","npx","-y","@smithery/cli@latest","run","@Deploya-labs/mcp-resend","--key","<your_key>","--profile","<your_profile>"]

# 本地 MCP 进程启动后提供的 HTTP JSON-RPC 端点（tools/list, tools/call）
MCP_LOCAL_URL=http://127.0.0.1:8787/mcp

# 可选：等待 MCP 就绪的超时秒数（默认 30）
MCP_START_TIMEOUT=30

启动后端时，系统会先拉起本地 MCP 进程，再用 MCP_LOCAL_URL 初始化 MCP 客户端。
验证：在后端日志中打印“可用工具: [...]”，或使用上文的“验证外部工具”脚本。

4. WebSocket实时通信

用途：场景执行时实时推送节点状态

连接地址：

ws://localhost:8000/ws/scenario/{scenario_id}/{client_id}

📊 模拟数据

项目内置了完整的模拟数据（位于backend/data/），包括：

crm_data.json - CRM客户、线索、商机数据
documents.json - 企业文档、会议纪要、政策规定
analytics.json - 业务指标、异常检测、改进建议
orders.json - 订单、工单、历史案例
marketing.json - 营销活动、内容日历、渠道洞察

数据可随时替换为真实数据源。

🛠️ 开发指南

添加新场景

在backend/app/core/agent.py中定义场景编排器：

@register_scenario("S9")
class S9Orchestrator(ScenarioOrchestrator):
    def build_graph(self):
        # 定义场景的状态图
        ...

在frontend/src/pages/中创建场景页面组件
在路由中注册新场景

添加/更新 MCP 工具（外部优先）

在外部 MCP Server 仓库中新增/更新工具与 inputSchema
部署或重启外部服务，确保 FEISHU_MCP_URL 可访问
本项目无需改后端代码；如前端涉及工具入参提示或表单，请以实时 schema 更新前端逻辑

本地占位实现仅用于演示，不作为生产来源。

调试技巧

后端日志：查看终端输出
API测试：访问 http://localhost:8000/docs
前端调试：浏览器开发者工具
WebSocket调试：使用浏览器Network面板

⚠️ 注意事项

OpenAI API Key：确保在.env中正确配置
FEISHU_MCP_URL：外部 MCP 端点必须可达，且返回 tools/list、tools/call 标准 JSON-RPC 响应
首次启动 Mem0：会自动下载嵌入模型（约1-2分钟）
模型选择：默认使用 gpt-4，可改为 gpt-3.5-turbo 降低成本
记忆存储：Mem0 数据存储在本地，重启不会丢失

🤝 团队协作与提交流程（给新同事）

环境配置

后端：复制 .env.example 为 .env，设置 OPENAI_API_KEY、FEISHU_MCP_URL
前端：npm install 后 npm run dev

分支策略

main：受保护分支，保持可演示、可部署
开发分支：feature/<short-desc>、fix/<short-desc>、docs/<short-desc>

提交规范（建议）

使用 Conventional Commits：
- feat: ... 新功能
- fix: ... 修复
- docs: ... 文档
- refactor: ... 重构（无功能变化）
- chore: ... 其他

开发步骤（每位同事）

从 main 拉最新代码：git pull origin main
新建分支：git checkout -b feature/<short-desc>
开发与自测：
- 后端：uvicorn app.main:app --reload
- 前端：npm run dev
- 验证外部 MCP：运行上文“验证外部工具”脚本
提交并推送：git commit -m "feat: xxx" && git push -u origin <branch>
发起 PR（目标分支 main），填写变更说明与测试步骤

代码评审与合并

至少 1 名维护者代码审核通过
CI（如有）通过后，Squash & Merge 到 main
维护者负责解决冲突与最终合并

与外部 MCP 的对齐

前端/提示词变更必须以实时工具 schema 为准
若外部工具 schema 调整（如新增 starttime/duetime），请：
- 更新前端调用与交互提示
- 必要时在后端日志中加强校验与报错信息（无需改工具定义）

版本发布与演示准备

合并前验证：
- S8 页生成 v1.0 报告是否正常
- 会议助手写入记忆并触发 REPORT_UPDATED
- 流式对话工具调用的 tool_call_start/tool_result/tool_error 能在前端正确呈现
演示脚本参考 S8_SCENARIO_GUIDE.md

🔮 下一步计划

实现8个场景的完整Agent逻辑
添加真实LLM调用与流式输出
完善来源证明卡片UI
实现三分屏对比内容
接入真实MCP工具（非模拟数据）
添加录屏兜底方案
部署到云服务器

📄 许可证

MIT License

🤝 贡献

欢迎提交Issue和Pull Request！

📞 联系方式

项目地址：C:\EAIOS
演示日期：2025年11月5日

祝演示成功！ 🎉

Name		Name	Last commit message	Last commit date
Latest commit History 18 Commits
.claude		.claude
backend		backend
frontend		frontend
.gitignore		.gitignore
LLM_CONFIG_GUIDE.md		LLM_CONFIG_GUIDE.md
README.md		README.md
S8_SCENARIO_GUIDE.md		S8_SCENARIO_GUIDE.md
restart_backend.bat		restart_backend.bat
start.bat		start.bat

Folders and files

Latest commit

History

Repository files navigation

EAIOS - 企业级Agent操作系统

🎯 项目简介

📋 八大场景

🏗️ 技术架构

后端

前端

项目结构

🚀 快速开始

前置要求

1. 克隆项目

2. 后端设置

3. 启动后端

4. 前端设置

📖 使用指南

记忆管理

场景演示

S3 智能客服场景（完整实现）

核心功能

使用流程

技术实现

演示价值点

记忆与场景联动验证

S8 决策军师场景（完整实现）

核心功能

使用流程

技术实现

演示价值点

🔧 核心功能说明

1. 记忆管理（Mem0）

2. Agent编排（LangGraph）

3. MCP 工具层（以外部注册为主）

本地 MCP（process_http 模式，推荐）

4. WebSocket实时通信

📊 模拟数据

🛠️ 开发指南

添加新场景

添加/更新 MCP 工具（外部优先）

调试技巧

⚠️ 注意事项

🤝 团队协作与提交流程（给新同事）

环境配置

分支策略

提交规范（建议）

开发步骤（每位同事）

代码评审与合并

与外部 MCP 的对齐

版本发布与演示准备

🔮 下一步计划

📄 许可证

🤝 贡献

📞 联系方式

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages