多智能体协作的竞品分析系统 — 5 个专职 Agent 组成"数字调研小组"，从公开信息采集到结构化报告全链路自动化，QA 反馈闭环驱动迭代式自我校验，每条结论可一键溯源到原始数据。
在企业产品团队的日常工作中，竞品分析是一项高频但低效的刚性任务。一次完整的竞品分析通常需要经历 信息搜集 → 功能拆解 → 用户评价萃取 → SWOT 推演 → 结构化报告输出 五个环节，而每个环节都面临显著的效率瓶颈：
- 信息搜集：需在官网、评测媒体、用户社区、定价页面、API 文档等 5-10 个异构信息源之间反复切换，手动提取和归并关键数据——信息源分散、格式各异、重复劳动占比高
- 功能拆解：需对多款产品的功能矩阵进行横向解构，构建可比的功能树与差异化图谱，严重依赖分析人员对行业的深度认知和长期跟踪
- 用户评价萃取：需在 Reddit、ProductHunt、G2、Trustpilot 等多个平台搜集真实用户反馈，从海量非结构化文本中提取关键痛点和好评维度——信息噪音大、信噪比低
- SWOT 推演：需综合功能、定价、用户口碑、市场定位等多维信息进行结构化战略推演，对分析人员的战略思维和行业视野要求较高
- 报告输出：需将碎片化的分析结论整合为逻辑连贯、论据充分、来源可溯的结构化文档，格式一致性和引用规范性依赖人工反复校验
由于缺乏系统化的工具支撑，整个过程通常耗时 2-3 个工作日，且输出质量高度依赖分析人员的个人经验和行业认知——不同人分析同一竞品，结论可能大相径庭。
本课题构建了一个 多 Agent 协作的竞品分析系统，模拟一支专业的"数字调研小组"：由 5 个专职 Agent（Discovery → Collector → Analyst → Writer → QA）组成协作流水线，每个 Agent 承担明确的分析角色，通过结构化消息协议（类 function calling）进行高效通信，自动完成从公开信息采集到结构化竞品报告的全链路产出。系统核心创新在于引入了 QA 反馈闭环机制——QA Agent 对产出进行交叉审查后，按问题类型精准路由回对应 Agent 触发重做，形成"采集→分析→撰写→审查→打回→重做"的迭代式自我校验。实测在缺失关键维度的场景下，一轮闭环后评分提升 +24%，验证了闭环机制对输出质量的可量化改善。
┌──────────────────────────────────────────────────────────────────────────┐
│ Vue 3 前端 (实时流式) │
│ ┌──────────┐ ┌──────────┐ ┌────────────┐ ┌───────────┐ ┌──────────┐ │
│ │ DAG 视图 │ │实时日志 │ │迭代时间线 │ │调用链面板 │ │渐进式报告│ │
│ │(Vue Flow)│ │(SSE推送) │ │(HITL介入) │ │(Token成本)│ │(即时预览)│ │
│ └──────────┘ └──────────┘ └────────────┘ └───────────┘ └──────────┘ │
└──────────────────────────────┬───────────────────────────────────────────┘
│ SSE（11 种事件类型，全量覆盖）
┌──────────────────────────────▼───────────────────────────────────────────┐
│ FastAPI 后端 (异步非阻塞) │
│ POST /analyze │ GET /stream │ POST /intervene │ POST /compare │ ... │
└──────────────────────────────┬───────────────────────────────────────────┘
│
┌──────────────────────────────▼───────────────────────────────────────────┐
│ LangGraph StateGraph (DAG 编排) │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌─────┐ │
│ │Discovery │──▶│Collector │──▶│ Analyst │──▶│ Writer │──▶│ QA │ │
│ │(URL发现) │ │(并行×10) │ │(结构化) │ │(Markdown)│ │ │ │
│ └──────────┘ └──────────┘ └──────────┘ └──────────┘ └──┬──┘ │
│ ▲ ▲ ▲ │ │
│ │ │ │ │ │
│ └─ 数据问题 ───┴─ 分析问题 ──┴─ 格式问题 ──┘ │
│ (missing_source) (low_conf) (schema_viol) │
│ │ │
│ 通过 ────────────────────▶ END │
└──────────────────────────────────────────────────────────────────────────┘
│ │ │ │
┌────▼────┐ ┌────▼────┐ ┌────▼────┐ ┌────▼────┐
│Firecrawl│ │DeepSeek │ │Langfuse │ │Pydantic │
│HTTP+PW │ │DeepSeek │ │(追踪) │ │(Schema) │
│(三级降级)│ │(智能路由)│ │ │ │ │
└─────────┘ └─────────┘ └─────────┘ └─────────┘
| 能力维度 | 实现方式 | 对标评分点 |
|---|---|---|
| 5 Agent 专职协作 | Discovery → Collector → Analyst → Writer → QA，职责无重叠 | 角色划分清晰 |
| LangGraph DAG 编排 | StateGraph + 条件路由边，QA 按问题类型精准打回对应 Agent | 编排框架合理 |
| 结构化消息传递 | AgentMessage 协议（function_name + arguments），非自然语言对话 | function calling 协议 |
| 真实反馈闭环 | QA 打回后重做，重做后评分可量化提升（实测 +24%↑），非伪闭环 | 闭环真实可触发 |
| 严格 Schema 输出 | Pydantic v2 CompetitorProfile（功能树 / 定价 / 画像 / SWOT） | 字段完整格式一致 |
| 全链路信息溯源 | EvidencedClaim = claim + URL + 原文片段 + 快照哈希，脚注可点击跳转 | 一键溯源 |
| Agent 调用链可观测 | 每个 Agent 的 Prompt / Token / 耗时 / 决策过程全量追踪 + Langfuse | 日志 Trace 可查 |
| 渐进式结果呈现 | Analyst 完成即推送结构化预览，Writer 无缝覆盖为完整报告 | 交互流畅 |
| 人工介入门控 (HITL) | QA 打回时暂停等待人工决策：继续迭代 / 补充 URL / 强制通过 / 终止 | 人工修正 |
| 并行采集 + 三级降级 | Semaphore(10) 并发，Firecrawl → HTTP → Playwright 自动降级 | 稳定性、降级机制 |
| 行业模板热插拔 | SaaS / 消费品 / 硬件 三套模板，运行时动态注入维度 | 可换行业可扩展 |
| 采集合规 | robots.txt 检查 + PII 自动脱敏（手机/身份证/邮箱） | 信息采集合规 |
| 指标 | 人工分析 | 本系统 | 提升 |
|---|---|---|---|
| 单次竞品分析耗时 | 2-3 天 | ~2 分钟 | 1000x |
| 信息源覆盖 | 3-5 个页面 | 10-20 个页面并行 | 4x |
| 结构化一致性 | 依赖分析师经验 | Schema 强制校验 | 100% 一致 |
| 结论溯源 | 手动标注，常遗漏 | 自动关联 URL + 原文片段 | 全覆盖 |
| 质量校验 | 同事互审，1-2 轮 | QA Agent 自动多轮迭代 | 即时反馈 |
非伪闭环 — QA 打回后，系统按问题类型精准路由到对应 Agent 重做，且重做后评分有可量化提升：
第 1 轮：QA 评分 0.52 → 判定 REVISE
缺失维度: [integrations]，问题类型: missing_source
↓ 自动路由到 Collector 补充采集 integrations 维度
↓ Analyst 重新分析，Writer 重新生成
第 2 轮：QA 评分 0.76 → 判定 PASS ✓
改善: +24%，新增 8 条溯源 claims
QA 审核采用双阶段机制：
- 规则校验器（确定性）：维度覆盖率、来源数量、置信度阈值、Schema 完整性、脚注一致性
- LLM 语义审核（智能判断）：逻辑连贯性、论据充分性、事实准确性、SWOT 推理合理性
QA 路由决策不是简单的"通过/打回"，而是按问题分类精准路由：
missing_source / factual_error→ 打回 Collector 补采low_confidence / inconsistency→ 打回 Analyst 重分析schema_violation→ 打回 Writer 修格式
所有 Agent 间通过 AgentMessage 结构化消息 通信，而非自然语言对话：
# 协议类似 function calling：明确的函数名 + 结构化参数
AgentMessage(
from_agent="collector",
to_agent="analyst",
function_name="collect_result",
arguments={
"claims": [...], # EvidencedClaim 列表
"sources_fetched": 8,
"dimensions_requested": ["pricing", "features"]
},
message_type=MessageType.TASK_RESULT
)每条分析结论 都携带完整溯源链：
EvidencedClaim(
claim="Notion Pro 月付 $10/人",
confidence=0.92,
sources=[
SourceReference(
url="https://notion.so/pricing",
title="Notion Pricing",
snippet="Pro: $10 per member / month billed annually",
accessed_at="2025-06-10T14:32:00",
snapshot_hash="a3f2c1d8" # 内容快照哈希，可验证内容未篡改
)
],
reasoning="直接从官方定价页面提取"
)前端报告中，每条结论以脚注形式标注来源，点击即可跳转原始页面。
无需切换到外部工具，前端直接展示每个 Agent 的：
- 执行耗时 / 使用模型 / 输入输出 Token 数
- 预估成本（deepseek-chat ~$0.002/次，deepseek-reasoner ~$0.01/次）
- Prompt 预览 / 输出预览
- 一键跳转 Langfuse 查看完整调用链
Trace (task_id)
├── Span: discovery (423ms, deepseek-chat)
├── Span: collector (18.2s, deepseek-chat)
│ ├── Generation: fetch-0 (notion.so/pricing)
│ ├── Generation: fetch-1 (notion.so/product)
│ └── Generation: fetch-2 (notion.so/integrations)
├── Span: analyst (6.1s, deepseek-chat)
├── Span: writer (8.3s, deepseek-chat)
└── Span: qa (4.2s, deepseek-chat)
| 层级 | 技术 | 选型理由 |
|---|---|---|
| Agent 编排 | LangGraph StateGraph | 声明式 DAG + 条件路由边，原生支持循环与反馈闭环 |
| LLM 智能路由 | DeepSeek（双模型） | deepseek-chat（快速提取）+ deepseek-reasoner（深度推理），按任务复杂度分流 |
| 后端 | FastAPI + SSE | 异步非阻塞 + 原生流式推送，单次分析 11 种事件实时触达 |
| 前端 | Vue 3 + Vite + Tailwind + Vue Flow | 响应式 DAG 可视化 + 渐进式报告呈现 |
| 数据采集 | Firecrawl + HTTP + Playwright | 三级降级保证可用性，Semaphore(10) 并发加速 |
| URL 发现 | Firecrawl Search API | 陌生竞品自动发现官网 + 维度页面，无需硬编码 |
| 可观测性 | Langfuse v4 | trace → span → generation 三层追踪，Token 成本聚合 |
| 数据校验 | Pydantic v2 | 结构化输出运行时强校验，Schema 演化可控 |
| 合规 | robots.txt + PII 脱敏 | 遵守爬取协议，手机/身份证/邮箱自动脱敏 |
| 测试 | pytest + pytest-asyncio | 81 个用例，全量 2 秒通过 |
- Python 3.11+ / Node.js 18+
- Docker（可选，PostgreSQL 持久化；无 Docker 时自动内存兜底）
项目已预配置 API 密钥（.env.reviewer），无需手动配置即可运行：
Windows： 双击 start.bat
macOS / Linux：
git clone https://github.com/kbob3687-hub/AgentDrivenCompetBench.git
cd AgentDrivenCompetBench
chmod +x start.sh && ./start.sh脚本会自动：安装依赖 → 配置 Playwright 浏览器 → 启动前后端 → 打开浏览器
cp .env.reviewer .env # 使用预配置密钥（或手动编辑 .env.example）
pip install -e ".[dev]"
playwright install chromium
# 启动后端
PYTHONPATH=src uvicorn api.app:app --reload --host 0.0.0.0 --port 8001
# 启动前端（新终端）
cd frontend && npm install && npm run dev浏览器访问 http://localhost:5173，输入竞品名称即可开始分析。
提示： 已内置竞品（Notion / ClickUp / 飞书 / 小米 / 大疆等）无需 Firecrawl 即可完整运行。分析陌生竞品时需要 Firecrawl API 自动发现 URL，或可手动在表单中输入目标 URL。
网络要求： 系统需要访问外部 API（api.deepseek.com、api.firecrawl.dev）和目标竞品网站。如果本地网络需要代理才能访问外网，请在
.env中添加：HTTP_PROXY=http://127.0.0.1:7890 HTTPS_PROXY=http://127.0.0.1:7890端口号请根据实际代理工具配置修改（如 Clash 默认 7890，V2Ray 默认 10809）。国内网络可直连 DeepSeek，Firecrawl 和目标网站可能需要代理。
输入：竞品 "ClickUp" | 维度 [pricing, features, integrations] | 行业 SaaS
输出：2500+ 字结构化报告 | 14-47 条带溯源 claims | QA 评分 0.68-0.78
全流程耗时：~90 秒（10 并发采集 + 4 Agent 串行推理）
单次成本：< $0.02（全链路 DeepSeek）
渐进式体验：Analyst 完成后右侧即显示结构化预览（功能树 / 定价 / SWOT 骨架），Writer 出稿后无缝替换为完整报告，全程无空白等待。
src/
├── agents/
│ ├── base.py # BaseAgent（Langfuse 追踪 + 重试 + LLM 路由）
│ ├── discovery/ # URL 发现（Firecrawl Search + 域名推断）
│ ├── collector/ # 并行采集（三级降级 + LLM 结构化抽取）
│ ├── analyst/ # 结构化分析（claims → CompetitorProfile）
│ ├── writer/ # 报告生成（profile → Markdown + 脚注溯源）
│ └── qa/ # 质量审核（规则校验 + LLM 语义审核 + 精准路由）
├── orchestrator/
│ ├── state.py # GraphState（TypedDict 共享状态）
│ ├── graph.py # build_graph() LangGraph DAG
│ └── edges.py # qa_routing() 条件路由（三路打回）
├── schemas/
│ ├── competitor.py # CompetitorProfile / EvidencedClaim / FeatureNode
│ ├── extensions.py # IndustryTemplate（行业模板 CRUD + 版本追踪）
│ └── message.py # AgentMessage 通信协议
├── storage/ # SQLAlchemy 持久化层
└── api/
├── app.py # FastAPI 入口
├── runner.py # SSE 版流水线（事件发布 + HITL 门控）
├── events.py # EventBus（11 种事件类型）
└── routes/ # REST + SSE + Compare + Survey 路由
frontend/src/
├── components/
│ ├── DagView.vue # Agent DAG 可视化（条件路由边 + 状态着色）
│ ├── LogStream.vue # 实时日志流
│ ├── ProcessObservabilityPanel.vue # 迭代时间线 + HITL + 调用链
│ ├── ReportWorkspace.vue # 渐进式报告面板
│ └── CompareView.vue # 多竞品横向对比
├── composables/
│ ├── useSSE.ts # SSE 连接 + 事件分发
│ └── useAnalysis.ts # 全局状态机
└── types/index.ts # TypeScript 类型
pytest tests/ -v # 81 个用例，约 2 秒| 测试模块 | 覆盖范围 |
|---|---|
| QA 校验器 | 维度覆盖、来源校验、片段真实性、一致性检查、置信度阈值 |
| Schema | EvidencedClaim / CompetitorProfile / 行业模板加载与校验 |
| 编排器 | qa_routing 五种路径、图结构验证、FeedbackRecord 序列化 |
| 并行采集 | 并行执行、失败容错、信号量控制、URL 降级链 |
| API 路由 | compare / history / intervene / 全局错误处理 |
| 合规 | PII 正则精度测试、robots.txt 遵守 |
| 方法 | 端点 | 说明 |
|---|---|---|
POST |
/api/analyze |
创建分析任务 |
GET |
/api/analyze/{task_id} |
查询任务状态与结果 |
GET |
/api/analyze/{task_id}/stream |
SSE 实时事件流（11 种事件） |
GET |
/api/analyze/{task_id}/metrics |
聚合指标面板 |
POST |
/api/analyze/{task_id}/intervene |
人工介入决策（HITL） |
POST |
/api/analyze/compare |
多竞品横向对比 |
GET |
/api/analyze/history |
历史分析记录 |
GET |
/api/analyze/templates |
行业模板列表 |
POST |
/api/survey |
生成用户调研问卷 + 访谈提纲 |
| 事件 | 说明 |
|---|---|
agent_start / agent_end |
Agent 开始/完成（含耗时、渐进预览） |
sub_agent_start / sub_agent_end |
子采集任务启动/完成（含 claims 计数） |
log |
运行日志 |
qa_verdict |
QA 审核结果（评分 + 路由目标 + 缺失维度） |
iteration_summary |
迭代轮次摘要（字段级修复率） |
hitl_pause / hitl_resume |
人工介入暂停/恢复 |
complete |
任务完成（完整报告 + 调用链 + 反馈历史） |
error |
错误信息 |
- 五 Agent 流水线 + LangGraph DAG 编排
- QA 反馈闭环 + 按问题类型精准路由
- 结构化消息协议（AgentMessage function calling）
- 全链路信息溯源（EvidencedClaim + 脚注跳转）
- Agent 调用链可观测 + Langfuse 集成
- 并行采集（10 并发）+ 三级降级
- 行业模板热插拔 + 动态 Schema 演化
- 人工介入门控（HITL）
- 渐进式报告呈现（Analyst 预览 → Writer 完整报告）
- 多竞品横向对比
- 用户调研工具（问卷 + 访谈提纲生成）
- 采集合规（robots.txt + PII 脱敏）
- 81 个测试用例
- 向量检索增强（Qdrant RAG）
- 导出 PDF / PPT
MIT
LangGraph + DeepSeek + Vue 3 | 多智能体协作 × 反馈闭环 × 全链路溯源 × 实时可观测