一個基於 LLM 的自主採購代理人，能接收自然語言採購需求，自動解析意圖、查詢商品價格、進行合規審核，並在預算範圍內完成下單，無需人工介入。
輸入「我要買五個滑鼠」，系統自動完成查價 → 審核攔截 → 修正數量 → 下單的完整流程，每個步驟即時顯示。
- 自然語言驅動：以自由對話描述需求，Agent 自動解析意圖，無需填寫固定格式
- 自主決策：Agent 能獨立完成「查價 → 審核 → 下單」的完整流程
- 合規審核機制：在工具執行前攔截超預算的下單請求，而非事後處理
- 自動修正：被攔截後，Agent 能自主重新計算預算內最大可購買數量並重新下單
- 完整 Agentic Loop：基於 LangGraph 實作，支援多節點、條件路由與狀態管理
- Web 服務化：FastAPI 提供 REST API，Streamlit 提供聊天介面，支援 SSE 串流即時顯示執行過程
- 容器化部署：Docker Compose 一行指令啟動完整服務
整個系統分為三層：
[Streamlit 聊天介面] ←── SSE 串流 ──→ [FastAPI Server] ←──→ [LangGraph Agent]
↑ ↑
└──────────────── Docker Compose ───────┘
由三個節點組成，透過條件路由串聯：
agent：核心推理節點，驅動 GPT-4o 分析當前狀況並決定下一步行動（查價或下單）compliance：審核節點，在工具實際執行「之前」攔截所有下單請求，驗證總金額是否超出預算。若超標，將拒絕訊息回傳給 Agent 觸發重新計算；若合規則放行tools：工具執行節點，負責實際呼叫check_item_price（查詢單價）與place_order（執行下單）
虛線代表條件路由，實線代表固定流程。Agent 與 Compliance 之間的雙向虛線體現了「審核未通過 → 退回重算 → 再次審核」的自我修正迴圈。
procurement-agent/
│
├── core/ # 純業務邏輯層，不依賴任何 web framework
│ ├── graph.py # LangGraph workflow 建構與路由邏輯
│ ├── state.py # AgentState 資料結構定義
│ ├── nodes/
│ │ ├── reasoning.py # 推理節點：呼叫 LLM 決定下一步
│ │ └── compliance.py # 審核節點：攔截超預算下單
│ ├── tools/
│ │ └── procurement_tools.py # LangChain @tool 定義
│ └── memory/ # 預留：Memory / 向量資料庫
│
├── api/ # FastAPI web 層
│ ├── routes/
│ │ └── procure.py # POST /api/procure、GET /api/health
│ ├── services/
│ │ └── agent_runner.py # Agent 執行邏輯，產出 SSE 事件串流
│ └── main.py # FastAPI app 進入點
│
├── frontend/
│ └── streamlit_app.py # Streamlit 聊天介面
│
├── rag/ # 預留：Agentic RAG
├── monitoring/ # 預留：LLM 監控與成本追蹤
│
├── main.py # 本機互動式入口（供除錯用）
├── Dockerfile.api # FastAPI container 定義
├── Dockerfile.frontend # Streamlit container 定義
├── docker-compose.yml # 串起兩個服務
├── .dockerignore
├── .env.example # 環境變數範本
├── requirements.txt
└── docs/ # 文件與截圖
├── procurement_demo.png # 系統 Demo 截圖
└── procurement_architecture_fixed.png # LangGraph 架構圖
# 1. 複製環境變數範本並填入 API Key
cp .env.example .env
# 2. 一行啟動（第一次需要 build）
docker compose up --build
# 3. 之後直接啟動（使用快取，秒啟動）
docker compose up| 服務 | 網址 |
|---|---|
| Streamlit 聊天介面 | http://localhost:8501 |
| FastAPI Swagger 文件 | http://localhost:8000/docs |
# 停止服務
Ctrl + Cpip install -r requirements.txtcp .env.example .env
# 編輯 .env，填入 OPENAI_API_KEY# Terminal 1：FastAPI
uvicorn api.main:app --reload --port 8000
# Terminal 2：Streamlit
streamlit run frontend/streamlit_app.pypython main.py執行後可選擇：
1：產出系統架構流程圖2：超標測試（購買 5 個 Mouse，預算 $500，會被攔截並自動修正）3：合規測試（購買 4 個 Mouse，應直接通過）
情境：購買 5 個 Pro Mouse，預算 $500，單價 $120
[Step 1] Agent 決定：呼叫 check_item_price
[Step 2] Tool 執行結果：120
[Step 3] Agent 決定：呼叫 place_order（5 個，$600）
🔍 [審核節點] 檢測到下單意圖：5 個 Pro Mouse，總額 $600
❌ [審核攔截] 總額 $600 超過預算 $500！
🔄 [路由] 審核未通過，退回 Agent 重新思考
[Step 4] Agent 決定：呼叫 place_order（4 個，$480）
✅ [審核通過] 總額 $480 符合預算 $500
🎯 最終結果：SUCCESS: 已下單 4 個 Pro Mouse，總金額 $480
🔄 修正次數：1
| 類別 | 技術 |
|---|---|
| LLM | GPT-4o |
| Agent 框架 | LangGraph、LangChain |
| API 框架 | FastAPI |
| 前端介面 | Streamlit |
| 串流通訊 | Server-Sent Events（SSE） |
| 容器化 | Docker、Docker Compose |
| 語言 | Python 3.11 |
- 模組化重構：將單檔拆分為
core/（業務邏輯）與api/（Web 層），建立清晰的分層架構 - 串接 FastAPI：agent 邏輯包裝為 REST API，以 SSE 串流即時回傳每個執行步驟
- 串接 Streamlit：提供自然語言聊天介面，任何人都能直接互動，無需看懂程式碼
- Docker 容器化：
docker compose up --build一行啟動完整服務，解決環境依賴問題
- 以 LangGraph 建構三節點 workflow（agent → compliance → tools）
- Compliance 節點在工具執行前攔截超預算下單，而非事後處理
- Agent 被攔截後能自主重新計算並修正下單，無需人工介入
- 支援
revision_count追蹤修正次數，具備可觀測性基礎
- LLM 監控頁面（token 用量、成本追蹤、思考過程可視化）
- Agentic RAG（檢索採購規範、系統說明文件）
- Memory 與向量資料庫（跨 session 記憶使用者偏好）
- 擴充商品資料庫（連接真實 API）
- 多層級審核機制（主管審批流程）