hub / github.com/bcefghj/competitive-intelligence-multi-agent

github.com/bcefghj/competitive-intelligence-multi-agent @main

Chat with this repo

repository ↗ · DeepWiki ↗ · + Follow

179 symbols 534 edges 53 files 27 documented · 15%

What it actually does AI analysis from the code graph — generated when you open this

loading…

README

Multi-Agent Competitive Intelligence System

多Agent竞品情报与市场研究系统

企业级 5-Agent 竞品情报自动化系统 | Python + Java + Go 三语言实现 | 配套面试全套资料

这个项目是什么？

一个生产级的多Agent竞品情报系统，能够：

7x24自动监控竞品官网、定价页、招聘页的变化
深度分析竞品的财务、专利、技术动态
自动生成多维度竞品对比矩阵和销售战术卡
即时推送重大竞品动态到Slack/钉钉

同时，本项目还是一份面试项目经历模板，包含： - 50+ 道八股文题目及详细答案 - STAR法则面试回答模板（5个场景） - 简历写法模板（完整版/精简版/不同岗位版） - 25道面试常见问题及推荐回答

架构设计

系统架构图

┌─────────────────────────────────────────────────────────────┐
│                         API Layer                            │
│        FastAPI (Python) / Spring Boot (Java) / Gin (Go)     │
├─────────────────────────────────────────────────────────────┤
│                    Orchestration Layer                        │
│                                                               │
│  [START] → [Monitor] ─┬→ [Alert] ───────→ [END]            │
│                        │                                      │
│                        └→ [Research] → [Compare]             │
│                              ↑            │                   │
│                              │            ▼                   │
│                              │      [Battlecard]             │
│                              │            │                   │
│                              │            ▼                   │
│                              │     [Quality Check]           │
│                              │       ┌────┴────┐             │
│                              │    <7 │         │ >=7         │
│                              └───────┘      [END]            │
├─────────────────────────────────────────────────────────────┤
│                       Agent Layer                            │
│   Monitor  │  Research  │  Compare  │  Battlecard  │  Alert │
├─────────────────────────────────────────────────────────────┤
│                       Tool Layer                             │
│    Web Scraper  │  Search API  │  Notification (Slack/钉钉) │
├─────────────────────────────────────────────────────────────┤
│                   Infrastructure Layer                        │
│       Kafka  │  Elasticsearch  │  Redis  │  LLM (OpenAI)   │
└─────────────────────────────────────────────────────────────┘

编排模式：事件驱动 + Pipeline

Pipeline（确定性顺序流）：Monitor → Research → Compare → Battlecard
Event-Driven（即时触发）：Monitor检测到高危变化 → Alert立即推送
Reflexion（质量反馈环）：Battlecard质量评分<7分 → 回到Research重做

详细架构文档：docs/architecture.md

5个Agent详细介绍

1. Monitor Agent（监控Agent）

属性	说明
职责	7×24监控竞品官网、定价、招聘页变化
工具	httpx + BeautifulSoup（Python）/ Jsoup（Java）/ goquery（Go）
检测策略	三层：SHA-256 Hash快筛 → CSS选择器结构化提取 → LLM语义分析
输出	`CompetitorChange[]`（变化类型、标题、摘要、严重程度）
代码位置	Python · Java · Go

2. Research Agent（研究Agent）

属性	说明
职责	深度分析竞品财报、专利、技术博客、开源动态
模式	RAG（检索增强生成）：先搜索多源信息，再让LLM综合分析
搜索维度	财务、专利、技术博客、开源贡献、战略动态
输出	`ResearchInsight[]`（主题、摘要、关键发现、来源、置信度）
代码位置	Python · Java · Go

3. Compare Agent（对比Agent）

属性	说明
职责	生成8维度量化对比矩阵
对比维度	产品功能、定价、UX、市场份额、口碑、技术、生态、支持
输出	`ComparisonMatrix`（每个维度的双方评分0-10 + 说明）
代码位置	Python · Java · Go

4. Battlecard Agent（战术卡Agent）

属性	说明
职责	自动生成销售战术卡（我们 vs 竞品）
输出内容	我方优势/劣势、竞品优势/劣势、关键差异化、异议处理话术、电梯演讲
目标用户	销售团队
代码位置	Python · Java · Go

5. Alert Agent（预警Agent）

属性	说明
职责	HIGH/CRITICAL级别变化即时推送
推送渠道	Slack Webhook、钉钉Webhook、Email
触发条件	变化严重程度为HIGH或CRITICAL
代码位置	Python · Java · Go

三种语言实现

本项目提供 Python、Java、Go 三种完整实现，核心架构一致，适合不同技术栈的开发者：

维度	Python	Java	Go
Agent框架	LangGraph StateGraph	LangChain4j + Spring	自研轻量框架
Web框架	FastAPI（异步）	Spring Boot 3.3	Gin
LLM客户端	langchain-openai	langchain4j-open-ai	go-openai
爬虫	httpx + BeautifulSoup	Jsoup	goquery
实时推送	SSE	WebSocket	SSE
序列化	Pydantic	Lombok + Jackson	struct tag
消息队列	confluent-kafka	spring-kafka	confluent-kafka-go
部署形态	Docker容器	JAR + JVM	单二进制文件
适用场景	功能最全	企业Java技术栈	高性能/资源受限

为什么提供三种语言？

Python版（推荐首选）：功能最完整，LangGraph生态最成熟
Java版：适合面试Java岗位，展示Spring Boot + LangChain4j能力
Go版：适合面试Go岗位，展示高性能微服务能力

快速开始

方式一：Docker 一键启动（推荐）

# 1. 克隆仓库
git clone https://github.com/your-username/competitive-intelligence-multi-agent.git
cd competitive-intelligence-multi-agent/python

# 2. 配置
cp .env.example .env
# 编辑 .env，填入 OPENAI_API_KEY

# 3. 启动
docker-compose up -d

# 4. 测试
curl http://localhost:8000/health
curl -X POST http://localhost:8000/analyze \
  -H "Content-Type: application/json" \
  -d '{"competitor": "Stripe"}'

方式二：本地运行（Python）

cd python
python -m venv venv && source venv/bin/activate
pip install -r requirements.txt
cp .env.example .env  # 编辑填入API Key
uvicorn src.api.server:app --reload --port 8000

方式三：Java版

cd java
mvn clean package -DskipTests
OPENAI_API_KEY=sk-your-key java -jar target/competitive-intelligence-1.0.0.jar

方式四：Go版

cd go
go build -o ci-agent ./cmd/server
OPENAI_API_KEY=sk-your-key ./ci-agent

详细部署指南：docs/deployment.md

项目结构

competitive-intelligence-multi-agent/
│
├── README.md                          ← 你正在看的这个文件
├── plan.md                            ← 项目计划文档
│
├── python/                            ← Python 版（LangGraph + FastAPI）
│   ├── src/
│   │   ├── agents/                    ← 5个Agent实现
│   │   │   ├── monitor_agent.py
│   │   │   ├── research_agent.py
│   │   │   ├── compare_agent.py
│   │   │   ├── battlecard_agent.py
│   │   │   └── alert_agent.py
│   │   ├── graph/workflow.py          ← LangGraph工作流（核心！）
│   │   ├── tools/                     ← 工具层（爬虫/搜索/通知）
│   │   ├── models/schemas.py          ← 数据模型
│   │   ├── api/server.py              ← FastAPI服务
│   │   └── config.py                  ← 配置管理
│   ├── tests/                         ← 测试
│   ├── requirements.txt
│   ├── Dockerfile
│   ├── docker-compose.yml
│   └── .env.example
│
├── java/                              ← Java 版（Spring Boot + LangChain4j）
│   ├── src/main/java/com/ci/
│   │   ├── agents/                    ← 5个Agent
│   │   ├── workflow/CIPipeline.java   ← Pipeline编排
│   │   ├── tools/                     ← 工具层
│   │   ├── model/                     ← 数据模型
│   │   └── api/CIController.java      ← REST API
│   └── pom.xml
│
├── go/                                ← Go 版（Gin + Kafka）
│   ├── internal/
│   │   ├── agents/                    ← 5个Agent
│   │   ├── pipeline/pipeline.go       ← Pipeline编排
│   │   ├── tools/                     ← 工具层
│   │   ├── models/                    ← 数据模型
│   │   └── api/server.go              ← Gin HTTP服务
│   ├── cmd/server/main.go             ← 入口
│   └── go.mod
│
└── docs/                              ← 文档
    ├── architecture.md                ← 架构设计文档
    ├── deployment.md                  ← 部署指南
    ├── interview/                     ← 面试资料
    │   ├── eight-part-essay.md        ← 八股文50+题
    │   ├── star-method.md             ← STAR法则回答模板
    │   ├── resume-template.md         ← 简历写法模板
    │   └── common-questions.md        ← 面试常见问题25题
    └── code-walkthrough/              ← 代码逐行讲解
        ├── python-walkthrough.md
        ├── java-walkthrough.md
        └── go-walkthrough.md

API文档

启动Python版后访问 http://localhost:8000/docs 查看自动生成的Swagger文档。

主要接口

方法	路径	说明
GET	`/health`	健康检查
POST	`/analyze`	同步运行完整Pipeline
POST	`/analyze/stream`	SSE流式输出Pipeline进度
GET	`/competitors`	获取预配置竞品列表

请求示例

# 同步分析
curl -X POST http://localhost:8000/analyze \
  -H "Content-Type: application/json" \
  -d '{"competitor": "Stripe", "urls": ["https://stripe.com/pricing"]}'

# SSE流式分析
curl -N -X POST http://localhost:8000/analyze/stream \
  -H "Content-Type: application/json" \
  -d '{"competitor": "Stripe"}'

面试准备指南

本项目配套完整的面试准备资料，帮你从零到拿到Offer。

1. 八股文题库（50+ 题含详细答案）

覆盖 Agent 基础、多Agent架构、技术栈深度、系统设计、工程实践五大模块。

docs/interview/eight-part-essay.md

精选题目预览： - 什么是AI Agent？和传统聊天机器人的区别？ - ReAct vs CoT vs ToT 的区别？ - 为什么设计5个Agent？能合并吗？ - 为什么选LangGraph而不是CrewAI？ - Kafka在系统中起什么作用？能用Redis替代吗？ - Reflexion机制怎么实现？ - 如何保证LLM输出的JSON格式正确？ - 如果支持100个竞品，架构怎么调整？

2. STAR法则回答模板（5个场景）

用结构化的STAR法则回答行为面试问题。

docs/interview/star-method.md

包含场景： - 项目整体介绍 - 最大技术挑战 - 系统设计决策 - 团队协作 - 量化成果

3. 简历写法模板

docs/interview/resume-template.md

包含版本： - 完整版（核心项目） - 精简版（多项目列举） - 后端开发版、AI工程师版、架构师版 - Java开发版、Go开发版

4. 面试常见问题（25题含推荐回答）

docs/interview/common-questions.md

覆盖架构设计、技术深度、编码能力、个人成长四个维度。

代码讲解导航

面向小白的逐行代码讲解，建议按以下顺序阅读：

顺序	文档	内容
1	Python版讲解	主版本，最详细（数据模型→配置→工具→Agent→工作流→API）
2	Java版讲解	Spring Boot + LangChain4j 特色讲解
3	Go版讲解	Gin + goroutine 并发模型讲解

建议阅读顺序：先看 Python 版理解核心逻辑，再看 Java/Go 版了解不同语言的实现差异。

学习路线图

从零到面试的完整路径：

阶段一：理解基础概念（1-2天）

阅读八股文题库的前10题（Agent基础）
理解 ReAct、RAG、Prompt Engineering 等核心概念
了解 LangGraph 的 StateGraph 工作原理

阶段二：通读代码（2-3天）

按照Python代码讲解通读代码
重点理解 workflow.py（LangGraph编排）和 monitor_agent.py
尝试本地运行 Python 版

阶段三：深入理解（2-3天）

阅读八股文题库的技术栈深度和系统设计部分
对比三种语言实现的差异
思考如果是你会怎么设计（面试时被问到"如果重新做"）

阶段四：面试准备（2-3天）

背诵STAR法则模板（特别是模板一和模板二）
根据目标岗位选择简历模板
练习面试常见问题的回答（建议对镜子练习）

阶段五：进阶加分（可选）

Fork本仓库，添加新功能（如Dashboard前端、Trend Agent）
写一篇技术博客讲解你的理解
给LangGraph/CrewAI提交一个PR（最高含金量的简历加分）

技术选型对比

Agent框架选型

框架	Stars	核心概念	适用场景	学习曲线
LangGraph	28.5k	图状态机	企业级复杂Pipeline	中
CrewAI	48k	角色化团队	3-8 Agent协作	低
AutoGen	35k	对话消息流	快速原型	低
AgentEnsemble	-	Java编排	Java企业项目	中
KafClaw	-	Go+Kafka	分布式Agent	高

参考的竞品情报开源项目

项目	亮点
CompetIQ	5个并行Agent + Reflexion自评 + SSE
serpapi/competitive-intelligence-agent	Plan-Execute-Synthesize + CRM集成
competitor_research_agent	A2A协议 + FAISS向量记忆

FAQ

Q: 这个项目需要付费的API吗？

A: 需要 OpenAI API Key（或兼容的LLM API）。GPT-4o 每天监控10个竞品约$1.3/天。没有Key也可以运行——搜索工具和Agent会使用Demo模式返回模拟数据。

Q: 我是完全的小白，能看懂吗？

A: 可以。建议按照学习路线图的顺序来，先理解概念再看代码。代码讲解文档会逐行解释。

Q: 面试官会问"这是不是AI帮你写的"吗？

A: 很可能会。建议你：1）确保理解每一行代码；2）能解释每个设计决策；3）准备好被追问细节。详见面试常见问题 Q25。

Q: Python/Java/Go 应该选哪个版本准备面试？

A: 选你面试岗位对应的语言。如果岗位是AI/大模型相关，优先选Python版。

Q: 可以在这个基础上添加新功能吗？

A: 当然可以，推荐添加：前端Dashboard、Trend Agent（趋势预测）、向量数据库集成、MCP协议支持。

参考资料

框架文档

学习资源

面试准备

License

MIT License

Star this repo if it helps you land the job!

Core symbols most depended-on inside this repo

getEnv

called by 10

go/internal/config/config.go

generate

called by 6

python/src/agents/battlecard_agent.py

Execute

called by 5

go/internal/agents/alert.go

Chat

called by 5

go/internal/agents/llm.go

execute

called by 5

java/src/main/java/com/ci/agents/AlertAgent.java

toStringList

called by 5

java/src/main/java/com/ci/agents/BattlecardAgent.java

buildLLM

called by 5

java/src/main/java/com/ci/agents/BaseAgent.java

parseJson

called by 5

java/src/main/java/com/ci/agents/BaseAgent.java

Shape

Method 60

Class 45

Function 45

Struct 21

Route 4

Enum 2

TypeAlias 2

Languages

Python44%

Go31%

Java26%

Modules by API surface

python/src/api/server.py13 symbols

python/src/models/schemas.py11 symbols

go/internal/models/models.go8 symbols

go/internal/config/config.go7 symbols

go/internal/api/server.go7 symbols

python/src/config.py6 symbols

python/src/agents/research_agent.py6 symbols

python/src/agents/monitor_agent.py6 symbols

go/internal/tools/notification.go6 symbols

python/src/tools/web_scraper.py5 symbols

python/src/tools/search_tool.py5 symbols

python/src/graph/workflow.py5 symbols

For agents

$ claude mcp add competitive-intelligence-multi-agent \
  -- python -m otcore.mcp_server <graph>

⬇ download graph artifact

github.com/bcefghj/competitive-intelligence-multi-agent @main

Multi-Agent Competitive Intelligence System

多Agent竞品情报与市场研究系统

这个项目是什么？

目录

架构设计

系统架构图

编排模式：事件驱动 + Pipeline

5个Agent详细介绍

1. Monitor Agent（监控Agent）

2. Research Agent（研究Agent）

3. Compare Agent（对比Agent）

4. Battlecard Agent（战术卡Agent）

5. Alert Agent（预警Agent）

三种语言实现

为什么提供三种语言？

快速开始

方式一：Docker 一键启动（推荐）

方式二：本地运行（Python）

方式三：Java版

方式四：Go版

项目结构

API文档

主要接口

请求示例

面试准备指南

1. 八股文题库（50+ 题含详细答案）

2. STAR法则回答模板（5个场景）

3. 简历写法模板

4. 面试常见问题（25题含推荐回答）

代码讲解导航

学习路线图

阶段一：理解基础概念（1-2天）

阶段二：通读代码（2-3天）

阶段三：深入理解（2-3天）

阶段四：面试准备（2-3天）

阶段五：进阶加分（可选）

技术选型对比

Agent框架选型

参考的竞品情报开源项目

FAQ

Q: 这个项目需要付费的API吗？

Q: 我是完全的小白，能看懂吗？

Q: 面试官会问"这是不是AI帮你写的"吗？

Q: Python/Java/Go 应该选哪个版本准备面试？

Q: 可以在这个基础上添加新功能吗？

参考资料

框架文档

学习资源

面试准备

License

Core symbols most depended-on inside this repo

Shape

Languages

Modules by API surface

For agents