首页 > 人工智能 > 人工智能 > 研发数字人 Agent:从 0 到 1 的架构与实践
作者:vivo 互联网搜索团队- Yang Zhan
针对研发人员被问题排查、资料核对等重复性事务大量挤占核心开发时间的痛点,本文基于 OpenTask 大模型构建轻量化「研发数字人 Agent 系统」。系统采用「离线知识库静态支撑 + MCP 动态接口调用 + 个性化 Skill 推理」三层架构,将个人私有经验结构化沉淀、实时联动线上业务系统、并复刻本人排查思路与工作习惯,实现问题受理、信息检索、逻辑分析、方案输出的全流程自动化闭环。系统已替代 80%以上繁琐事务,具备低侵入、可自进化特性,让研发真正聚焦核心技术工作。
1分钟看图掌握核心要点👇
在日常软件开发与运维工作中,研发人员长期面临 重复性、事务性繁琐工作占比过高的痛点,严重挤占核心开发与架构设计工作时间。大量精力被问题排查、需求核对、日志分析、问题定位、资料查阅、接口校验等低价值事务消耗,导致专注编码、技术攻坚、架构优化等高价值工作效率大幅降低,研发工作流冗余、专注力碎片化问题突出。
传统 AI 编程辅助工具仅支持 代码补全、语法纠错、代码编写,无法适配研发全流程产研需求,不具备私有化离线知识适配、在线业务接口联动、个性化问题分析逻辑等能力,难以贴合个人研发工作习惯。
基于以上痛点,依托 OpenTask(与WorkBuddy/
CodeX类似) 智能 Agent 办公工具,自主 研发轻量化研发数字人 Agent 系统,将其打造为研发人员的个人数字镜像——像本人一样思考与处理问题。围绕这一目标,期望系统具备三项核心能力:
让这一数字镜像替代人工完成问题接收、信息检索、逻辑分析、方案输出全流程工作,实现繁琐研发事务自动化处理,解放研发专注力,聚焦核心技术开发工作。
本系统以 OpenTask 大模型为核心推理引擎,采用「知识库静态支撑 + MCP 动态调用 + 个性化 Skill 推理」的三层架构,兼顾离线知识稳定性、在线业务实时性和个人研发工作适配性,整体架构轻量化、低侵入,适配个人研发日常办公场景。
流程步骤:
1. 用户提问:简易指令发起咨询
2. Agent 解析:识别类型 · 拆解诉求
3. 知识匹配 + 接口校验:离线检索 · MCP 实时数据
4. Skill 推理:按个人技能逻辑逐步推导
5. 方案输出:标准化结果 · 问题闭环
6. 自我进化:沉淀高频问题 · 迭代规则OpenTask 大模型(核心推理层):支持长代码上下文、日志文本、技术文档超长上下文窗口,兼顾离线本地推理模式。
数字人私有本地知识库(静态支撑层):承载研发人员个人沉淀私有知识,完全离线本地运行,不依赖外网、无数据泄露风险,为大模型提供专属、私密、长期静态知识素材,解决通用大模型不掌握个人历史经验、内部项目私有资料的痛点。简单理解:是数字人的"私人笔记本 + 项目档案室",所有个人排查经验、内部私有文档本地存储,随时调取。
MCP 在线接口封装(动态能力层):MCP 可理解为多端协作协议 / 统一工具网关,是数字人连接企业线上业务系统、第三方工具、在线服务的标准化通道,弥补离线知识库只有静态历史数据、无法获取实时动态信息的短板。
自定义 Skill 技能体系(个性化规则层):Skill 即可复用、可自定义的研发专属任务技能,是复刻研发人员独有的排查思路、工作流程、操作习惯的核心载体,区别于通用大模型泛化能力,代表该研发人员独有的做事逻辑。
四层架构组成(核心辐射式)
数字人私有本地知识库组成
MCP 在线接口封装组成
自定义 Skill 技能体系组成
系统基于四层架构,实现了 问题智能受理、多源信息融合分析、个性化逻辑推理、标准化方案输出四大核心能力,全流程自动化替代人工繁琐操作。
用户通过简易指令发起咨询,Agent 依托 OpenTask 语义理解能力,精准识别问题类型(代码报错、业务异常、运维问题、流程咨询、语法疑问等),自动拆解核心诉求、问题场景、关键参数,过滤无效信息,锁定分析方向,降低沟通成本。
1.指令理解 · 服务初始化
提问 初始化筛选器服务 music-xxx
初始化完成
根目录:/Users/****/Documents/work/opentask
服务名称:<your-business-service-name>
Service ID:<your-business-service-name>
DAG ID:<your-dag-id>
流程类型:第一次初始化Agent 准确理解该指令意图——锁定目标服务、加载其架构与知识上下文,为后续问题分析做好准备。
2.问题受理 · 关键信息提取
提问:在联想词服务中输入「iQOO 120W 充电器」,商品卡片却提示「iQOO12 原装配件」,需定位提示语来源。
很好,找到了服务ID:portal-xxx
现在让我提取问题的关键信息:
用户输入:"iQOO 120W 充电器"
结果:商品卡片提示语为 "iQOO12 原装配件"
核心问题:为什么提示语是 "iQOO12 原装配件"Agent 定位服务 ID(portal-xxx)后,自动从用户描述中拆解出「用户输入 / 结果 / 核心问题」三要素,锁定分析方向。
大模型存在知识盲区,Agent 优先检索本地结构化离线知识库,解决通用大模型不懂私有项目、个人积累经验的痛点。本节从 内容与检索方式两部分展开。
1. 离线库的内容
离线知识库目录结构:
换一个角度看离线知识库的目录结构,按「项目私有库 / 个人沉淀库 / 团队离线文档库」三类组织:
1.1 项目私有库
1.1.1 公共信息
·黑话 / 暗语
·场景 ⇄ 服务 之间的关系
·业务专用名词
1.1.2 服务信息
·源代码
·服务基础信息:名称、版本、发布时间、代码 commit 信息 …
·服务架构
-服务节点 —— 尽可能拆分为独立的、小粒度的局部节点
-RAG 拓扑关系 —— 点之间的连接线
1.2 个人沉淀库
·局部环节执行规范
-代码逻辑 code-logic interpreted 目录下
-业务逻辑 business-logic interpreted 目录下
·个人排障笔记(docs 目录下)
-问题描述
-定位思路
1.3 团队离线文档库
·需求文档
·概要设计文档2. 基于预定义流程图的确定性检索
流程与节点建模:将一次完整 RAG 任务拆解为一个有向节点序列(可以是链式或 DAG),为每个节点定义明确的规范,至少包含:
整个流程构成一张 检索导航图,实际上是把「在哪里查、查什么、输出什么格式」固化为节点规范。真正执行的时候,需要依赖 知识库、MCP、Skill 共同完成。
MCP 可理解为 多端协作协议,是打通数字人与在线系统的通路,实现 实时数据查询(读)与线上工具自动化操作(写),让数字人不只靠历史经验,弥补离线知识库只有静态历史数据、无法获取实时动态信息的短板。
核心作用
① 服务基本信息:见文件 service-info.json,包含服务名称、版本、发布时间、commit 等元信息。
{
"serviceId": "portal-xxx",
"version": "10",
"DAGId": "4228",
"PROJECT_NAME": "search-biz",
"git_address": "https://gitlab.your-company.com/java-project/search-biz.git",
"git_branch": "portal-branch",
"commit_id": "e792fcd70597663e1a032898f5427cce9d2bc6",
"updateTime": "2026-01-14 20:01:50.0",
"flowStatus": "true",
"moduleInfo": {
"module_name": "portal-xxx-3.4.5",
"module_version": "",
"desc": "v3.4.5 完成大容量电池解析\r\nTT杨\r\n2026-01-14 19:20:26"
},
"gateway": {
"name": "公用集群(search)",
"group": "common"
},
"fetchTime": "2026-06-17T07:14:39Z"
}② 服务 RAG 拓扑关系:见文件 dag-structure
.json,渲染为服务流程图,呈现节点间的调用与连接关系。
③ 局部节点详细信息:见文件 flowNodesInfo
.json,逐节点记录职责、输入输出契约与判空规范。
{
"nodeId": "main",
"nodeName": "参数初始化",
"dagId": "DAG-0327290e",
"codeLogic": "解析请求入参,初始化上下文与默认配置",
"businessLogic": "校验来源渠道、关键词、分页参数,缺省时填充业务默认值",
"input": {
"keyword": { "type": "string", "nullable": false },
"channel": { "type": "string", "nullable": false },
"pageSize": { "type": "integer", "nullable": true, "default": 10 }
},
"output": {
"ctx": { "type": "object", "nullable": false },
"valid": { "type": "boolean","nullable": false }
}
}④ 源代码获取:通过 git 下载代码至 sourceCode 目录,供代码级分析与定位。
⑤ 在线服务请求:实时返回各节点的执行状态、输入参数、输出参数、耗时等信息。在线请求实时返回各节点的执行状态、输入 / 输出参数与耗时,支撑静态知识 + 动态数据的融合分析。
⑥ 在线文档内容:拉取需求文档等线上文档,补充实时业务上下文。
核心要求
MCP 提供者:
MCP 使用者:
目标:个性化 Skill 推理就是数字人 Agent 专属的 研发行为、逻辑引擎,能够复刻研发人员独有排查思路、工作习惯、业务处理方式的核心差异化引擎。
Skill 是把以下三者按照 研发本人固定做事逻辑串联调度的执行载体:
在全生命周期运行中, Skill 无法脱离 Prompt 体系独立工作,二者深度绑定、互相驱动,共同定义数字人的行为边界、思考方式与输出标准。
1. Skills 约定准入条件
Skill 设置准入条件:
2. Skill 全局流程编排层
Skill 设置执行步骤 & 顺序:
3. Prompt 设置执行方案
Prompt 设置执行方案:
4. Script 脚本配置执行固定动作
分析完成后,Agent 输出结构化结果,内容清晰、可直接落地执行,直接完成问题闭环。本节从 输出内容与 表达方式两个维度说明。
1. 输出哪些内容
2. 表达方式
输出的表达风格可在 技术范与 通俗化之间切换,让同一份分析结果按受众自适应呈现。通过以下两种方法控制:
完整业务流程
手机价格筛选器逻辑
背景:当前用户在领取 6000+ 政府补贴资格后,希望直接跳转至对应 6000+ 可用机型商品列表,打通领取与使用环节,提高转化效率。
问:在过滤器服务中,能否精准地过滤出 6000 元以上的手机,而不包含 5000-6000 元的?
🔴 不能精准地过滤出 6000 元以上的手机而不包含 5000-6000 元的
原因有三层:
1. 价格分类体系中没有"6000元以上"
系统使用的价格分类(FilterItemEnum.MIN_PRICE,即 filterMap key=2)只有 6 个硬编码区间:
没有"6000及以上"这个分类选项。5000及以上是一个兜底区间,包含了所有 ≥5000 的手机,无法区分 5000-6000 和 6000+。
2. 过滤逻辑中 inPriceRange 是硬编码的
在 FilterStrategy.java 的 inPriceRange 方法中,价格区间判断是硬编码的:
1. 用户提问:简易指令发起咨询
2. Agent 解析:识别类型 · 拆解诉求
3. 知识匹配 + 接口校验:离线检索 · MCP 实时数据
4. Skill 推理:按个人技能逻辑逐步推导
5. 方案输出:标准化结果 · 问题闭环
6. 自我进化:沉淀高频问题 · 迭代规则只要选择了"5000及以上",所有 price ≥ 5000 的手机都会通过过滤,包括 5000-6000 元区间的,也无法将 5000-6000 和 6000+ 拆开——因为分类粒度不够。
前述核心功能聚焦于"问题排查与解答"主场景,但 OpenTask 驱动的 Agent 能力远不止于此。凭借强大的代码理解、逻辑推理和上下文生成能力,Agent 实现**从"被动回答"到"主动赋能"**的角色跃迁,覆盖研发全流程关键环节。
在贴出需求文档后,Agent 可一次性给出 完整的概要设计与代码改动——从需求拆解、架构与接口设计,到落地代码草稿,端到端覆盖「设计 → 实现」全链路。
概要设计输出:基于贴出的需求文档,Agent 自动产出完整概要设计文档,覆盖需求拆解与架构、接口设计。
已生成两个详细文档:
1.功率识别对联想词意图识别的影响和修复方案.md (334行)
2.功率识别代码实现示例.md (724行)
🎯 修改要求对应方案
✅ 要求1:型号词和系列词跳过功率判断
核心逻辑: 增加功率模式检测 detectPower-Pattern() 和移除 extractPowerAnd-Remove()
正则表达式: \\d+[安aA瓦wW](匹配数字+安/a/A/瓦/w/W,中间无空格)
✅ 要求2:意图判断确保包含配件类型
数据线配件: 检测 \\d+[安aA] → 设置 dataCableIntentionFlag
充电器配件: 检测 \\d+[瓦wW] → 设置 chargerIntentionFlag
✅ 要求3:排序文本得分考虑a和w字段的加成
加成逻辑: 识别到功率信息后在 mix_score 基础上加 0.05
排序优化: 去重和最终排序时优先保留功率相关联想词减负增效:替代人工完成 80% 以上的问题查阅、排查、资料核对等繁琐事务,大幅减少碎片化工作时间,有效聚焦核心编码、架构优化、技术攻坚等高价值工作。
降低失误:依托标准化知识库与固定 Skill 推理逻辑,规避人工排查疏忽、经验偏差、记忆遗漏,问题排查准确率与效率显著提升。
经验沉淀:将个人零散研发经验结构化封装为知识库,通过 Agent 复用沉淀个人技术经验,实现经验固化、高效复用。
适配性强:轻量化部署、无业务侵入,完全适配个人研发工作场景,无需改造现有业务系统,上手即用。
基于当前落地使用效果,结合研发场景痛点,后续将 从知识库智能化、Skill 精细化推理与 Prompt 决策、服务化与对外服务能力、Loop 闭环监控、自主学习能力共五个维度持续优化迭代。
优化结构化能力,新增 自动增量更新,自动抓取新问题、新方案、新文档;优化向量检索精度,提升复杂、模糊场景匹配准确率;对知识库内容分类分级,实现精准场景化匹配。
丰富自定义 Skill 规则库,定制专属推理模板;新增优先级机制、场景自适应切换、可视化编辑。进一步引入 Skill + Prompt 联合决策机制:
当前 Agent 本地化运行,本质是研发人员的个人数字镜像。后续计划通过微信公众号等渠道对外输出分析能力,重点解决:
当前为单次触发式流程,后续引入 Loop 闭环监控,让 Agent 持续监督流程是否真正执行完成、问题是否彻底闭环:
引入小样本自主学习能力,让 Agent 在日常使用中自动沉淀高频问题、优化解答逻辑、迭代 Skill 规则,实现越用越精准、越用越适配个人工作习惯,逐步实现全流程自主化、智能化辅助。
本次基于 OpenTask 搭建的研发辅助智能 Agent,精准解决了研发人员日常繁琐事务过多、核心工作被挤占的核心痛点。通过离线知识库 + MCP 在线接口 + 个性化 Skill 推理的创新架构,实现了研发问题排查、咨询分析工作的 自动化、标准化、个性化落地,有效提升个人研发效率、降低重复工作量。后续通过持续迭代优化,可进一步拓展场景、提升智能化水平,打造个人专属的全流程研发智能辅助工具,最大化解放研发生产力。
来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/69912579/viewspace-3189500/ ,如需转载,请注明出处,否则将追究法律责任。