队长 / Agent 全栈工程师（3 人团队）
RivalLens
字节跳动 AI 全栈项目挑战作品，多 Agent 完成竞品调研、证据归集、报告生成与质量审查，60 支队伍中入围 30 强答辩。
MVP 开放 更新：2026-06-23
- Multi-Agent
- Workflow Orchestration
- Evidence Grounding
- AI Full-Stack
- LangGraph
技术栈：Python · FastAPI · LangGraph · React · PostgreSQL · Docker
演示视频
问题背景
RivalLens 面向产品经理、市场分析与创业团队，将一句自然语言需求转成多 Agent 调研任务，自动完成竞品发现、公开资料采集、跨竞品分析与带引用报告生成。
我的职责
- 担任队长，主导系统架构、核心代码、部署、文档与答辩交付。
- 负责 LangGraph 多 Agent 编排、Agent 间 Schema、检索与证据链设计。
- 负责 Run API / SSE 实时进度、Trace DAG 与端到端部署。
- 协调 3 人团队完成完整 Demo，并入围 30 强答辩。
技术架构
- 编排：Intake / Planner / Supervisor / Researcher / Analyst / Writer / QA 多 Agent 闭环。
- 协议：Agent 间以结构化 Schema 传递产品画像、功能、定价、人群与结论矩阵。
- 证据：多源检索与全文兜底，报告结论绑定引用来源，可在 Evidence Console 回看。
- 工程：FastAPI + PostgreSQL 持久化 Run / Trace；React 前端 + SSE Live 页；Docker 部署。
核心难点
- 编排可控：用 Supervisor 运行时调度替代固定流水线，同时保留 HITL 暂停点与打回上限。
- 证据约束：结论必须绑定可核验来源；QA 以规则校验 + 语义审查双层拦截无证据 claim。
- 过程可观测：每步 Agent 输入输出、工具调用与 token 消耗需可回放，支撑答辩与排错。
结果与复盘
- 交付物：自然语言需求 → 澄清 / 计划确认 → Live 执行 → 带引用报告与证据回看（公开 Demo）。
- 字节跳动 AI 全栈项目挑战中，从约 60 支队伍入围 30 强答辩。
- 报告可沉淀竞品画像，支撑后续持续追踪。
设计取舍与后续计划
- 采用强 Schema 通信，而不是自然语言接力，降低 Agent 间信息漂移。
- QA 打回按角色精准回流，而不是整轮重跑，控制成本与时延。
- 优先保证证据链与可观测性，再扩展持续追踪能力。