MVP 架构文档
更新日期：2026-07-10
这里是 MVP 当前架构的唯一入口。旧版设计、早期拆解和已经被新实现替代的方案已归档到：
mvp/architecture/archive/2026-07-05-legacy/
归档材料只作为设计历史阅读，不再作为当前实现依据。
当前文档
| 文档 | 用途 |
|---|---|
| current-mvp-architecture.md | 当前可运行 MVP 的总体架构、链路、持久化和质量门禁 |
| interview-one-pager.md | 面试一页式架构讲解，包含总图、亮点、取舍和追问回答 |
| agent-orchestration.md | Agent 编排细节，覆盖 Chat SequentialAgent、AIOps SupervisorAgent、工具边界 |
| executor-evidence-pipeline-refactor.md | Chat 证据链路当前数据契约，覆盖 Executor V2、Gatekeeper、Verifier、Composer、evidence_refs |
| harness-quality-gates.md | Prompt、Hook、Trace、Gatekeeper、Verifier、Composer、评测基线组成的质量门禁 |
| rag-architecture.md | RAG/知识检索新架构，覆盖 L0 hint、VectorStore 主路径、SDK fallback、证据追踪 |
| modular-rag-pipeline.md | lookup_knowledge 模块化 RAG 落地架构，覆盖 pipeline、fallback、evidence-first contract、trace |
| rag-eval-closure.md | RAG 评测闭环，覆盖 offline baseline、baseline diff、diagnosis eval 和 live acceptance |
| retrieval-observability.md | 检索运行细节和可观测性，覆盖 L0/L1、去重、分数归一、评测 |
| feedback-architecture.md | 反馈与自评估闭环，覆盖 rule evaluation、Verifier、AIOps rule、用户反馈和案例沉淀 |
| session-trace-lifecycle.md | 会话和 Trace 生命周期，覆盖 sessionId、状态流转、agent_step、tool_invocation、Trace API |
| knowledge-base-authoring.md | 知识库文档编写与维护规范，覆盖 frontmatter、category、chunk、reindex |
| data-model.md | 数据模型总览，覆盖 Trace、知识库、反馈沉淀和 Milvus metadata |
| evolution-roadmap.md | 从旧版 Agent 蓝图继承的后续演进路线，不代表当前已实现 |
当前架构一句话
SuperBizAgent MVP 是一个面向故障诊断的可追踪 Agent 系统：Chat 和 AIOps 入口统一进入 Agent 编排，Executor 通过显式工具收集日志、指标和知识库证据，Chat 链路由 Gatekeeper 做引用真实性校验、Verifier 做可推导性判断、Composer 生成最终表达；多轮会话元数据落到 chat_session，每次诊断运行落到 diagnosis_run，步骤和工具明细通过 agent_step.run_id、tool_invocation.run_id 关联，最终通过 Trace API 和评测脚本证明诊断链路可解释、可回放、可对比。
阅读顺序
- 先读 current-mvp-architecture.md，理解系统边界和主链路。
- 面试前读 interview-one-pager.md，准备 2-5 分钟讲解。
- 再读 agent-orchestration.md，理解当前 Agent 如何协作。
- 接着读 executor-evidence-pipeline-refactor.md，理解 Chat 证据链路的数据结构和验真边界。
- 然后读 harness-quality-gates.md，理解为什么系统可追踪、可验证。
- 再读 rag-architecture.md，理解当前 RAG 为什么保留显式
lookup_knowledge，以及 Spring AI VectorStore 如何接入。 - 继续读 modular-rag-pipeline.md，看
lookup_knowledge的模块化落地和 evidence-first contract。 - 再读 rag-eval-closure.md，看 RAG baseline 如何形成质量闭环。
- 然后读 retrieval-observability.md，看检索细节和质量回归方式。
- 再读 feedback-architecture.md，理解 self_evaluation、用户反馈和案例沉淀。
- 按需读 session-trace-lifecycle.md、knowledge-base-authoring.md、data-model.md，补齐运行生命周期、知识库维护和数据关系。
- 最后读 evolution-roadmap.md，区分后续演进和当前实现。
- 需要追溯旧方案时，再进入
archive/2026-07-05-legacy/。