项目周期#
2人，1.5-2个月即可。
参考周期：#
需求分析与架构设计1周
核心模块开发4周（可适当延长）
联调测试与优化2周
效果验证与上线2周
项目简介#
尚舆分析平台是一个面向舆情分析、热点研判和专题报告生成的 多 Agent 智能分析系统。系统构建了基于搜索引擎、私域数据、媒体信息、论坛协作和自动报告生成的多智能体引擎架构，支持帮助用户快速获取文本数据的情感倾向，支持多源数据接入、多种情感分析模型、可视化结果展示与报告导出，适用于电商评论分析、社交媒体舆情监测、用户反馈挖掘等场景。平台采用前后端分离架构，整合数据采集、预处理、模型推理、结果分析与可视化全流程，为用户提供一站式信息分析解决方案。
整体架构设计#
Q核心模块划分#
平台可以分为数据采集与存储模块、多 Agent 分析引擎模块、报告生成与可视化模块、后端服务与调度模块、前端交互模块，五大模块解耦、可独立扩展。
数据采集与存储模块：包含舆情爬虫（SentinelSpider）与数据存储（MySQL），负责从微博、抖音、小红书、知乎等平台采集舆情数据，实现数据清洗、入库与增量更新。#
多 Agent 分析引擎模块：包含私有数据挖掘（InsightEngine）、媒体信息挖掘（MediaEngine）、信息验证（QueryEngine）、辩论引擎（ForumEngine） 四大智能体，分别负责私域舆情挖掘、全网媒体分析、权威信息核验、多观点整合讨论。#
报告生成与可视化模块：包含报告生成引擎（ReportEngine）与前端可视化界面，负责汇总多Agent分析结果，生成结构化 Markdown/HTML/PDF 报告，并提供实时进度展示与结果交互。#
后端服务与调度模块：基于FastAPI构建的后端服务，负责任务调度、SSE事件推送、用户请求处理与服务编排。#
前端交互模块：基于 Vue3 构建的 Web 界面，支持用户任务创建、进度监控、报告预览与下载。#
Q整体架构#
本项目根据舆情分析的业务特点，设计了一种混合架构，融合了"并行编排"和"协作讨论"两种模式的优点。
项目整体分为三个阶段，并行编排、协作讨论、顺序汇总。#
并行编排阶段：进行角色划分，模拟现实中的舆情分析团队分工，通过独特的专业视角，产出互补的分析结果。#
协作讨论阶段：解决并行编排阶段三个引擎之间存在信息孤岛的问题，通过引入主持人角色，监听各引擎的研究进展，并提供建议。#
顺序汇总阶段：前两个阶段产出的是原材料，包括三份 Markdown 报告和一份论坛讨论日志。这一阶段，则是通过模板选择、敲定报告结构、分配篇幅、逐章生成、组装渲染的递进执行，将这些原材料加工为结构化报告。#
此外，平台采用 “数据层 - 引擎层 - 服务层 - 交互层” 四层架构：#
数据层：由 MySQL 数据库与 舆情爬虫（SentinelSpider） 组成，提供舆情数据存储与多源数据采集能力。#
引擎层：核心的多 Agent 分析引擎集群，通过 LangGraph 实现智能体间的协作与流程调度，完成舆情分析全流程。#
服务层：FastAPI 后端服务，提供任务管理、事件推送、接口转发与业务逻辑处理能力。#
交互层：Vue3 前端界面，实现用户交互、任务配置、进度展示与报告可视化。#
Q业务分层#
数据采集层：对接多平台数据源，实现舆情数据的定向采集、去重、清洗与入库，为分析引擎提供数据支撑。#
智能分析层：多 Agent 引擎集群，通过分工协作完成舆情数据的多维度分析、信息核验与观点整合。#
业务服务层：封装引擎能力，提供标准化 API 接口，实现任务调度、用户管理、事件推送等业务逻辑。#
用户交互层：提供可视化操作界面，支持用户配置分析任务、查看实时进度、获取分析报告与结果导出。#
技术架构设计#
Q技术架构#
后端服务：FastAPI 构建异步服务，结合SSE实现实时进度推送，支持高并发任务处理。#
多 Agent 引擎：使用LangGraph实现多智能体协作，集成大语言模型完成舆情分析、讨论与报告生成多个智能体协作环节。#
数据存储：MySQL存储结构化舆情数据与用户信息，Redis实现任务缓存与状态管理。#
数据采集：基于 MediaCrawler（SentinelSpider）实现多平台舆情数据采集，支持热榜抓取与关键词定向爬取。#
前端交互：Vue3 + TypeScript + Element Plus 构建响应式界面，集成 ECharts 实现数据可视化。#
部署架构：Docker Compose 容器化编排，实现后端、前端、数据库、爬虫服务的一键部署与扩展。#
Q关键技术选型#
实现流程图#
Q系统总流程#
Q核心子流程图#
舆情数据采集模块#
多 Agent 协作分析模块#
实时进度推送模块#
关键实现细节#
Q舆情数据采集与存储模块#
基于舆情爬虫工具（MediaCrawler）实现了微博、抖音、小红书、知乎等多平台舆情数据采集，支持热榜抓取与关键词定向爬取，适配不同平台的反爬机制。
实现了数据清洗与去重机制，通过内容哈希与时间戳过滤重复数据，同时对文本数据进行格式标准化，适配后续分析引擎处理。
采用 MySQL 存储结构化舆情数据，设计了合理的表结构，包含平台、发布时间、内容、情感倾向、关键词等字段，支持高效查询与分析。
Q多 Agent 协作分析引擎模块#
基于 LangGraph 实现了四大核心智能体的工作流编排：私有数据挖掘智能体（InsightEngine）、媒体信息挖掘智能体（MediaEngine）、信息验证智能体（QueryEngine）并行执行，结果汇总后由辩论智能体（ForumEngine）进行讨论整合，最终由报告生成引擎（ReportEngine）生成报告。
每个智能体职责清晰：私有数据挖掘智能体（InsightEngine）负责本地舆情库的情感分析与倾向挖掘，媒体信息挖掘智能体（MediaEngine） 分析全网媒体的传播路径与立场，信息验证智能体（QueryEngine）核验信息真实性，辩论智能体（ForumEngine） 通过多轮对话整合多方观点。
实现了智能体间的状态同步与结果传递，通过统一的上下文管理模块，确保各智能体的分析结果可被后续流程复用，避免重复计算。
Q报告生成与可视化模块#
报告生成引擎（ReportEngine）基于多Agent分析结果，自动生成结构化 Markdown 报告，包含舆情概况、情感分析、媒体传播、权威信息核验、专家讨论等多种结论。
支持将 Markdown 报告转换为 HTML/PDF 格式，实现一键导出，满足不同场景的汇报需求。
前端通过 SSE 实时接收引擎执行进度、论坛讨论消息与报告生成状态，在界面上动态展示任务进度与关键信息，提升用户体验。
项目成果#
实现了一个功能完整的多Agent舆情分析平台，支持从数据采集到报告生成的全流程自动化分析。#
平台支持单任务万级舆情数据处理，多Agent协作分析流程自动化，平均任务处理时间控制在30分钟以内，报告生成准确率达到业务可用标准。#
实现了多平台舆情数据的定向采集与存储，覆盖多个主流社交平台，支持增量更新与历史数据回溯。#
生成的结构化报告可直接用于品牌舆情监测、社会热点分析、市场调研等业务场景，帮助用户快速获取关键信息并辅助决策。#
技术亮点#
多Agent协作分析架构：基于LangGraph实现多智能体分工协作，通过并行分析与讨论整合，提升舆情分析的全面性与准确性，解决单一模型分析视角单一的问题。#
全流程自动化处理：从数据采集、清洗、分析、讨论到报告生成全流程自动化，无需人工干预，大幅提升舆情分析效率，降低人工成本。#
实时进度推送与交互：通过 SSE 实现引擎执行进度、论坛讨论消息的实时推送，前端界面动态展示任务状态，用户可直观了解分析过程，提升使用体验。#
模块化可扩展设计：各模块职责清晰，接口标准化，可灵活新增采集平台、扩展分析引擎与报告模板，便于后续功能迭代与场景适配。#
面试项目阐述#
Q项目背景#
随着互联网舆情数据的爆发式增长，企业与机构面临舆情监测、热点研判与报告生成的需求日益迫切，传统人工分析方式效率低、成本高、视角单一，无法满足大规模数据与多维度分析的需求。本项目旨在构建一个基于多 Agent 协作的智能舆情分析平台，通过自动化流程与多视角分析，帮助用户快速完成舆情监测与分析，输出专业的结构化报告，为业务决策提供数据支撑。
Q核心职责#
- 负责平台整体架构设计与模块划分，制定技术选型与开发规范。
- 主导多Agent分析引擎模块开发，基于LangGraph实现智能体协作与工作流编排。
- 负责后端服务开发与 SSE 实时推送功能实现，保障平台高并发与稳定性。
- 参与舆情数据采集模块开发，实现多平台数据采集、清洗与入库。
- 负责报告生成模块设计，实现结构化报告的自动生成与格式转换。
- 完成平台测试、部署与优化，处理开发过程中的技术难点与性能问题。
Q技术难点与解决思路#
多 Agent 协作流程编排复杂，状态同步困难#
难点：多个智能体并行执行，需要统一管理任务状态、上下文信息与结果传递，避免流程混乱。
解决：基于 LangGraph 实现工作流编排，定义明确的智能体执行顺序与依赖关系；设计统一的上下文管理模块，存储各智能体的分析结果，确保状态同步与结果复用。
舆情数据采集适配性差，反爬机制复杂#
难点：不同社交平台的接口与反爬机制差异大，数据采集稳定性差，易被限制。
解决：基于MediaCrawler框架进行二次开发，适配各平台的请求逻辑与反爬策略；采用代理池、请求头模拟、请求间隔控制等方式提升采集稳定性，同时实现增量采集与断点续爬。
大模型生成报告质量不稳定，格式不统一#
难点：不同大模型生成的报告内容、格式差异较大，难以满足业务标准化报告的需求。
解决：设计标准化的报告模板，通过 Prompt 工程约束大模型的输出格式与内容结构；在 ReportEngine 中对模型生成的内容进行校验与格式化处理，确保报告结构统一、内容完整。
Q项目价值#
项目价值可以分为业务价值与技术价值两部分。
业务价值：为用户提供一站式舆情分析解决方案，大幅提升舆情监测与报告生成的效率，降低人工成本，为品牌运营、市场决策提供数据支撑。#
技术价值：验证了多 Agent 协作架构在舆情分析场景的可行性，实现了从数据采集到报告生成的全流程自动化，为同类智能分析平台提供了可复用的架构设计与实现方案。#
面试高频问题与回答#
Q核心技术类问题#
项目中多 Agent 的工作流是如何设计的？各智能体的职责是什么？#
回答：
项目基于 LangGraph 设计了多 Agent 工作流，核心分为三个阶段：①并行分析阶段，InsightEngine（私有舆情数据挖掘）、MediaEngine（主流媒体信息挖掘）、QueryEngine（信息核验）并行执行，各自输出分析结果；②讨论整合阶段，ForumEngine （辩论智能体）接收三方结果，模拟专家圆桌讨论，整合多方观点并形成统一结论；③报告生成阶段，报告生成引擎（ReportEngine）汇总所有结果，生成结构化报告。各智能体职责清晰，分工协作，确保分析结果的全面性与准确性。
SSE 实时推送是如何实现的？如何保证消息的可靠传输？#
回答：
SSE是基于标准 HTTP 协议实现的，无需额外握手的单向通信协议。项目中后端基于 FastAPI 实现SSE接口，引擎执行过程中生成进度事件，通过SSE 推送至前端并更新界面。为保证消息可靠传输，后端通过实现事件两级缓存机制，使得客户端中断重连时可补发未接收的消息；同时对事件进行编号，前端按序号处理消息，避免重复或丢失。
后端做了两级缓存：
环形缓冲区：保存最近100条事件；#
最新状态字典：保存每个引擎最新进度。#
前端重连后，先回放历史缓冲区，再接收新消息，做到永不丢进度。
为什么选用SSE而不用WebSocket？#
回答：
本项目通信特点：只需要后端推、前端不收。
SSE优势：
基于HTTP，无需握手协议；#
浏览器自带断线重连；#
自带缓冲区，适合流式推送日志；#
协议简单、兼容性强。#
WebSocket适合双向频繁通信，本项目属于单向数据流，SSE最简最优。
如何保证情感分析结果的准确性与一致性？#
回答：
统一预处理流程；采用 Few-shot 示例约束模型输出；加入人工校验与结果打分；低频错误场景持续优化引擎与规则；测试用例覆盖正负样本与边界文本。
LangGraph的State状态池你怎么理解？存了什么数据？#
回答：
State是引擎的全局记忆，贯穿整个工作流，主要存储：用户输入、报告大纲、段落索引、反思次数、搜索历史、最新摘要、完成状态。
特点：
增量更新，只修改变动字段；#
可序列化，方便调试保存；#
保证段落之间记忆不丢失，后一段可以参考前一段搜索结果。#
Q项目设计类问题#
为什么采用多 Agent 架构，而不是单一大模型直接生成报告？#
回答：
单一大模型直接生成报告存在视角单一、信息来源有限、容易产生幻觉等问题。多 Agent 架构通过分工协作，让不同智能体专注于不同的分析任务，如舆情挖掘、媒体分析、事实核验等，不仅能覆盖更多维度的信息，还能通过多方讨论减少模型幻觉，提升分析结果的全面性与准确性，同时也便于后续扩展新的分析能力。
舆情数据采集模块是如何适配多平台的？如何解决平台反爬问题？#
回答：
数据采集模块使用了MediaCrawler爬虫工具。采用适配器模式设计数据采集模块，为每个平台实现独立的采集适配器，封装不同平台的请求逻辑与数据解析规则，新增平台时只需新增适配器即可，无需修改核心逻辑。
解决反爬问题主要通过：
使用代理池分散请求 IP；#
不直接逆向获取加密参数，而是模拟真实浏览器请求头与行为；#
控制请求频率与间隔，避免触发平台反爬机制；#
实现请求失败重试与断点续爬，提升采集稳定性。#
多引擎架构如何设计，为什么要拆分引擎？#
回答：
按能力边界拆分为私有舆情数据挖掘、主流媒体信息挖掘、信息核验、讨论整合、报告产出，实现高内聚低耦合；不同场景路由不同引擎，提升效率与精度；支持单模块升级不影响整体，便于维护与扩展。
报告生成这里为何不直接生成HTML/Markdown等格式的文件？#
回答：
不直接生成HTML/Markdown的原因：
LLM直接写HTML容易格式错乱、标签错误；#
Markdown表现力弱，无法承载图表、KPI、SWOT；#
一份IR可以同时渲染HTML、Markdown、PDF三份文件。#
项目采用了IR（Intermediate Representation），IR是一个介于LLM和渲染器之间的JSON结构化中间层，通过定义了16种块类型，严格约束格式，可以大幅降低大模型排版错误率。
Q项目落地与优化类问题#
项目上线后遇到过哪些性能问题？如何优化的？#
回答：
上线初期遇到过两个主要问题：#
多任务并发执行时，后端服务 CPU 占用过高，任务执行效率低；#
舆情数据入库时存在写入瓶颈，影响采集速度。#
优化方案：#
对任务调度进行优化，限制同时执行的任务数量，采用异步队列控制并发；#
对数据库写入进行批量处理，减少单条写入操作，同时对热点数据进行 Redis 缓存，提升查询效率；#
对大模型推理请求进行优化，采用批量请求与模型推理缓存，减少重复调用。优化后平台并发处理能力提升约 50%，任务执行效率显著提升。#
如何保障大模型生成报告的质量？#
回答：
通过多维度保障报告质量：①设计标准化的报告模板，通过 Prompt 工程约束大模型的输出格式、内容模块与关键信息点；②在 ReportEngine 中对模型生成的内容进行校验，检查是否存在关键信息缺失、格式错误等问题，若不满足要求则触发重新生成；③引入人工审核接口，用户可对报告内容进行修正与标注，后续可基于用户反馈优化 Prompt 与模型参数，持续提升报告质量。
Q个人能力类问题#
项目中你认为最有挑战性的部分是什么？你是如何解决的？#
回答：
最有挑战性的是多 Agent 工作流的设计与实现，初期各智能体执行混乱，状态同步困难，导致分析流程经常中断。我通过深入学习 LangGraph 的工作流编排机制，重新梳理了各智能体的依赖关系与执行顺序，设计了统一的上下文管理模块，确保各智能体的状态与结果可被正确传递；同时增加了流程监控与错误重试机制，对失败的智能体任务进行重试，确保流程稳定执行，最终解决了这一问题。
通过这个项目，你对多 Agent 架构有哪些理解与收获？#
回答：
通过这个项目，我对多 Agent 架构有了更深入的理解：多 Agent 架构的核心是分工协作与流程编排，通过将复杂任务拆解为多个子任务，让不同智能体专注于特定领域，可大幅提升任务处理的效率与质量；同时，上下文管理、状态同步与流程控制是多 Agent 架构的关键，需要设计合理的机制确保智能体间的协作顺畅。项目中我不仅掌握了 LangGraph 的使用，还对大模型应用、异步服务开发、数据采集与存储有了更全面的实践经验，提升了系统架构设计与问题解决能力。