社区帖子招聘远程合作｜寻找 Python 工程师开发 AI 对话系统（多层记忆 + 工具任务）

你好，Python + AI Agent 方向开发者，对这个项目非常感兴趣。

相关项目经验：

• LIFEE（Google Hackathon 项目）：多 AI 人格辩论系统，实现了 Persona 对话控制、多角色人格稳定性、多轮对话管理、LLM API 集成、RAG 检索增强生成以及多层记忆系统（短期会话记忆 + 长期用户记忆），与本项目的三大核心模块（对话控制、多层记忆、工具调用）高度匹配。
• Boss Agent：基于 Python 的智能 Agent 系统，包含状态管理、意图分类（LLM 驱动）、工具调用链、消息协议对接和通知系统，完整覆盖了 intent → task → tool → response 的 Agent 工作流。

技术栈：Python / FastAPI / Claude API / 向量数据库 / AI Agent / RAG / workflow

回答技术问题：

Q1： 用户说"帮我查一下上个月所有退款记录"
用户输入 → LLM 做 intent 识别（查询类）→ 实体提取（时间=上月，对象=退款记录）→ 构造结构化 query → 调用数据库查询工具执行 → 结果格式化 → LLM 生成自然语言回复返回用户。关键在于 intent 到 tool call 的映射需要稳定可靠，通过 structured output 约束 LLM 输出格式。

Q2： 用户说"我叫李总，我们公司用的是XX系统"，三周后再次对话
首次对话时将用户信息（身份、公司、使用系统）写入长期记忆层（向量数据库 + 结构化存储），打上实体标签。后续对话时，系统先检索该用户 profile 注入 context，即可自然地延续上下文："李总您好，上次提到贵司用的XX系统..."，保证跨会话的连贯体验。这正是我在 LIFEE 项目中实现的多层记忆架构。

Q3： 工具调用失败（如数据库超时）
分层处理：① 自动重试 1-2 次（指数退避）；② 仍失败则降级处理——告知用户"系统正在处理中，稍后反馈"，同时将任务入队异步重试；③ 记录失败日志用于排查。核心原则是不让用户看到裸报错，保持对话体验流畅。

1 query - tool_loop - answer
2 没有记录这种数据的必要，多余的设计
3 记录log，返回系统繁忙。内部链接池本就有重试，没必要再试。

Python后端+AI方向，做过Agent和RAG，对这个项目很感兴趣，简单回答下三个技术问题：

1. "查上个月退款记录"：用户输入 → LLM做intent识别（查询类）→ 提取实体（时间=上月，对象=退款）→ 构造结构化query → 调用数据库工具执行 → 结果格式化 → LLM生成自然语言回复返回用户。关键是intent到tool call的映射要稳定。

2. 用户信息复用：首次对话时将"李总/XX系统"写入用户长期记忆（向量库+结构化存储），打上实体标签。三周后对话时，先检索该用户profile注入context，系统就能自然地说"李总您好，上次提到贵司用的XX系统..."，体验连贯。

3. 工具调用失败：设计重试+降级机制。第一步：自动重试1-2次（指数退避）；仍失败则降级：告知用户"系统正在处理中，稍后反馈"，同时将该任务入队异步重试；记录失败日志供排查。核心是不能让用户看到裸报错。

技术栈匹配：Python/FastAPI/LangChain/向量数据库都在用，可以按模块报价合作。

我是一名拥有近 6 年经验的资深前端工程师，曾统筹团队前端基建（主导 GitLab CI/CD 落地）、攻坚过复杂的 BPMN 业务审批流与极耗性能的海量数据可视化面板。
在扎实的前端底盘之上，我目前已深度转型为 AI 全栈工程师，专注于解决大模型产品落地中的工程化痛点。 随信附上我近期独立打通全栈并部署上线的两个商业级 AI 项目，欢迎直接体验：
● 🔗 AxiomSchema (全栈 AI SaaS 引擎):https://www.axiomschema.top
○ 技术亮点： 使用 Vue3 + Python FastAPI 彻底前后端解耦，成功突破了 Serverless 部署大模型推理的 10 秒超时瓶颈；并基于 Clerk JWT 实现了严密的多租户行级数据隔离。
● 🔗 traceRAG (高阶 AI 知识库系统):https://www.tracerag.top
○ 技术亮点： 落地 TopK + MMR 高阶检索策略，并通过“精准补丁”与 Query Rewrite 优化，大幅降低了 Token 消耗并解决了大模型幻觉问题。

没有rag的经验，其他的我有

寻找有实力的数据这块，有的话联系

你好，我之前是基础医疗的，中、西医模型微调落地，智能客服，rag问答系统都有实际落地经验，之前公司也是头一批将ai应用落地的；您可以搜索到:ABC数字医疗云，这个是我们的产品，您提到的agent/rag/工作流在我这里都是有实际落地经验的；
问题回答:
1.首先采用小模型对问题进行意图识别、实体提取，然后确定意图走到对应的工作流，然后调用本地集成的tool，将提取到的实体条件根据提示词转化为SQL的拼接条件，然后查询问题范围的数据内容
2.我会想到使用langgraph的checkpointer+本地消息表，将多轮对话的状态state存储，然后十五天之后获取该回话thread_id去获取到该回话的state信息（存储了历史回话的摘要等信息），然后根据获取的历史信息，继续进行对话。
3.代码编写阶段就先给每个阶段记录日志实现链路最终，然后对重要环节的增删改查、调用外部系统的步骤实现重试机制（生产一般在3-5次），重试结束还是不行就熔断降级，保留对应日志信息，并且将失败步骤的请求报文等信息用本地表存储，后续可能做定时任务补偿策略，保证系统整体健壮性。

专业软件定制开发公司承接，可以聊聊么