多Agent协作AI论文写作系统：FastAPI+Vue3全流程解析

在生成式AI快速渗透各类专业场景的今天，学术写作作为一个高度结构化、流程化的任务，正成为智能体（Agent）技术落地的理想试验田。本文基于B站UP主分享的一个开源项目——基于FastAPI + Vue3的AI论文写作系统，深入剖析其如何借助大语言模型（LLM）、RAG检索增强生成与多Agent协作，实现从选题到润色的全流程自动化。

项目背景与定位

论文写作往往涵盖选题、文献查阅、大纲拟定、正文撰写、润色降重等多个环节，每一步都需要投入大量时间和精力。传统AI写作工具通常只能解决单点问题，缺乏对整个写作链路的统筹能力。

该项目的核心思路是将论文写作拆解为若干专业子任务，交由不同的AI Agent分工协作完成。据UP主介绍，系统实现了"从论文选题到润色优化的全流程自动化"——其本质是把一个复杂的长文本生成任务，转化为多个可控、可编排的子任务，从而显著提升生成质量与可控性。

主要功能模块概览

核心功能模块

从演示来看，该系统已具备一套相对完整的功能体系，围绕"用户—内容—流程"三个维度展开。

用户认证与权限管理

系统提供注册、登录及基于JWT的身份验证机制。JWT（JSON Web Token）由IETF于2015年在RFC 7519中标准化，其结构由三部分Base64URL编码后以点号拼接而成：Header（声明签名算法类型，如HS256或RS256）、Payload（携带用户ID、权限范围、过期时间等声明字段）、Signature（对前两部分的数字签名，防止内容被篡改）。服务端无需在数据库中存储会话状态，每次请求只需对签名进行验证即可确认身份合法性，这种无状态特性天然支持水平扩展——在需要多节点部署的AI推理服务中尤为重要。相比传统Session机制，JWT在分布式系统中具有更好的横向扩展能力，这也是AI全栈应用普遍采用它的重要原因。常见安全实践还包括将Access Token有效期压缩至15分钟并配合Refresh Token续签，以及在微服务间使用RS256非对称算法传递身份信息。演示中UP主提到，后端数据库长时间未访问会进入"休眠"状态（这是许多云托管免费数据库的常见特性），首次访问可能需要多次重试才能唤醒——这是部署环节中一个真实且值得关注的工程细节。

智能选题与大纲生成

用户输入研究领域和关键词后，系统可基于AI推荐3至5个候选选题。确定选题后，可进一步生成论文大纲并支持手动编辑。这种"AI生成 + 人工干预"的半自动模式，兼顾了效率与可控性，有效规避了完全黑盒生成带来的不可控风险。

全文生成与流式输出

在大纲基础上，系统可生成完整正文并提供编辑模式。生成过程采用**流式输出（Streaming）技术——其底层基于Server-Sent Events（SSE）**协议实现。SSE是HTML5标准中定义的一种服务端向客户端单向推送数据的机制，基于HTTP长连接，无需建立WebSocket双向通道。在LLM应用中，大模型每生成一个Token（约对应0.75个英文单词）即通过SSE即时推送给前端，前端逐字渲染形成「打字机效果」，使用户感知到内容正在实时生成而非漫长等待后一次性返回。FastAPI通过StreamingResponse与异步生成器（async generator）原生支持SSE，能够与LangChain的on_llm_new_token回调机制无缝衔接，将模型的Token级输出实时透传给客户端——这也是该项目选用FastAPI的重要原因之一。相比WebSocket，SSE实现更轻量、天然支持断线重连，在「只需服务端推送」的单向场景下是更优的工程选择，这一交互设计与主流大模型产品保持一致，显著改善了长文本生成场景下的用户体验。

全文生成完成后的界面

AI辅助编辑与文献管理

针对已生成内容，系统规划了AI扩写、AI改写、AI润色等能力（部分功能UP主坦言仍在开发中）。文献管理模块支持文献的增删改查，并基于向量数据库实现语义检索，为RAG提供底层数据支撑。

RAG（Retrieval-Augmented Generation，检索增强生成）由Meta AI研究团队于2020年在论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》中正式提出。其完整技术流程分为三个阶段：①索引阶段——将外部文档分块（Chunking）后，通过Embedding模型（如OpenAI的text-embedding-ada-002）将每个文本块转化为高维向量并存入向量数据库；②检索阶段——用户提问时，将Query同样向量化，通过近似最近邻（ANN）算法召回Top-K个最相关的文本片段；③生成阶段——将召回内容作为上下文（Context）拼入Prompt，引导LLM基于真实来源生成答案。这一架构有效解决了LLM「知识截止日期」和「幻觉（Hallucination）」两大核心痛点。在学术写作场景中，RAG的价值尤为突出：通过将用户上传的文献向量化存储，系统可在生成引用段落时实时召回最相关的原文片段，保证引用的可溯源性与准确性，而非凭空捏造不存在的文献。

技术选型解析

该项目的技术栈选择颇具代表性，反映了当前AI全栈应用开发的主流实践。

后端采用FastAPI框架

后端技术栈

编程语言：Python 3.10+
Web框架：FastAPI，以高性能和原生异步支持著称，非常适合处理流式响应的AI应用场景
ORM：用于结构化数据的对象关系映射
工作流引擎：负责多Agent任务的编排与状态管理
向量数据库：ChromaDB，承担文献的向量化存储与语义检索

ChromaDB于2022年由Chroma公司以Apache 2.0协议开源，定位为「为AI应用而生的嵌入式向量数据库」。其核心机制是将文本通过Embedding模型映射到高维向量空间（通常为768维或1536维），利用**HNSW（分层可导航小世界图，Hierarchical Navigable Small World）**算法实现高效的近似最近邻检索，在百万级向量规模下仍可毫秒级返回结果。相较于Pinecone、Weaviate等云端向量数据库，ChromaDB支持完全本地运行，无需API Key，数据不出本地，零运维成本，非常契合开源学习项目和对数据隐私敏感的场景。在该系统中，用户上传的每篇文献会被分块（Chunk）后逐段向量化存入ChromaDB。值得注意的是，分块策略（Chunk Size大小与相邻块重叠Overlap的比例设置）直接影响最终RAG召回质量，是工程实践中需要重点调优的超参数——当写作专家Agent需要引用相关内容时，系统即可通过语义相似度检索而非简单关键词匹配，找到最贴近语义的文献片段。

前端技术栈

框架：Vue 3.4+
语言：TypeScript
组件库：Element Plus
构建工具：Vite 5.3

"FastAPI + Vue3 + TypeScript"这套组合是目前中小型AI全栈项目的典型配置，既保证了开发效率，也具备良好的可维护性。

系统架构与多Agent设计

从架构层面看，系统采用了清晰的分层设计。

数据层采用MySQL与向量数据库

分层架构

前端层：Vue3实现的用户交互界面
API网关层：FastAPI提供的请求处理入口
Agent编排层：使用LangChain类框架对多个AI工作流进行编排
数据层：MySQL存储结构化数据，ChromaDB存储向量数据

多Agent协作机制

这是整个项目最具亮点的设计。多Agent系统（Multi-Agent System，MAS）的思想起源于1980年代的分布式人工智能研究，其理论基础在于将复杂问题分解给多个具有自治能力的智能体协同求解。在LLM时代，每个Agent本质上是一个「具有特定角色设定的LLM调用单元」，通过Prompt Engineering定义其职责边界，再借助工作流框架串联协作。LangChain、LangGraph、AutoGen等框架将这一理念工程化落地——以LangGraph为例，它以有向无环图（DAG）的方式定义Agent之间的数据流与控制流，支持条件分支、循环迭代和状态持久化（State Persistence），使每个节点的中间输出可以被追踪、回滚和调试，非常适合论文写作这类需要多轮交互与状态追踪的长流程任务。

系统将写作流程拆分为五类专业Agent：

选题专家：负责研究方向与选题推荐
大纲专家：负责论文结构规划
写作专家：负责正文内容生成
文献专家：负责文献检索与引用（结合RAG实现）
润色专家：负责语言优化与降重处理

这种分工模式的核心价值在于：每个Agent只需专注于单一职责，通过工作流引擎串联，实现任务的可视化编排与状态追踪。相比让单一模型「一气呵成」地完成整篇论文，多Agent架构将每步推理的上下文窗口（Context Window）控制在合理范围内——避免超长Prompt导致的注意力稀释问题——既节省Token成本，也使各环节的输出质量更易于独立评估和定向调试。在准确性、可控性和可扩展性上都更具优势，也更符合软件工程「单一职责原则（Single Responsibility Principle）」的设计哲学。

思考与评价

作为一个学习型开源项目，该系统在技术选型和架构设计上相当规范，完整覆盖了RAG、多Agent、流式输出等当下AI应用的核心技术点，是理解"LLM应用工程化"的优质参考范例。

当然也需要客观认识其局限：部分AI能力（如扩写）仍处于待开发阶段；数据库休眠等部署问题也提示我们，从Demo到生产环境仍有相当距离。此外，对于学术写作这一严肃场景，AI生成内容的原创性、准确性与合规性始终是绕不开的议题——工具本身应定位为"辅助"而非"替代"。

总体而言，这个项目为希望学习AI Agent工程实践的开发者提供了一个可运行、可拆解、可扩展的完整样本，值得深入研究其源码实现。