数字员工（Digital Employee）模块详细设计与实施方案

版本: v1.0 日期: 2026-01-22 状态: 规划完成 -> 开发实施

1. 模块概述 (Module Overview)

数字员工不仅仅是简单的聊天机器人，而是具备**“记忆”、“技能”和“执行力”**的自主智能体。该模块旨在通过标准化的人设定义与工具挂载，将 AI 转化为企业真实的劳动力，处理从信息调研到业务操作的复杂任务。

2. 核心功能清单 (Feature List)

3. 技术实施方案 (Technical Implementation)

3.1 数据库模型设计 (Database Schema)

扩展现有的 database/models.py，新增以下实体：

class DigitalEmployee(Base):
    __tablename__ = "digital_employees"
    id = Column(Integer, primary_key=True)
    name = Column(String)
    role_type = Column(String) # strategist, executor, reviewer
    system_prompt = Column(Text) # 人设定义的具体 Prompt
    
    # 关联
    skills = relationship("EmployeeSkill", back_populates="employee")
    knowledge_bases = relationship("EmployeeKB", back_populates="employee")

class EmployeeSkill(Base):
    # 技能表：关联具体的 Python 函数或是 API Tool
    id = Column(Integer, primary_key=True)
    employee_id = Column(Integer, ForeignKey("digital_employees.id"))
    tool_name = Column(String) # e.g., "web_search", "send_email"
    config = Column(JSON) # e.g., {"api_key": "..."}

class Mission(Base):
    # 任务/使命表
    id = Column(Integer, primary_key=True)
    objective = Column(Text) # "调研特斯拉2026年Q1销量"
    plan_dag = Column(JSON) # 任务拆解的有向无环图
    status = Column(String) # pending, running, completed, failed

3.2 后端架构 (Backend) - services/geo-brain

• Agent 核心引擎 (core/agents/)：
  • Planner (大脑)：使用 ReAct 或 PDDL 思想，将用户 Objective 拆解为 Steps。建议初期使用简单的线性 Loop 结构，后续引入 LangGraph。
  • Tool Registry (手脚)：建立一个工具注册中心，映射 search_tool -> GoogleSearchAPI, browser_tool -> RPA-Worker。
• API 接口 (routers/agent_router.py)：
  • POST /agents/{id}/chat: 与数字员工直接对话（调试用）。
  • POST /missions: 发布异步任务。
  • GET /missions/{id}/logs: 获取执行日志流（Stream）。

3.3 前端交互 (Frontend) - apps/web-console

• 创建向导 (/workforce/create)：
  • 步骤1：人设设定。选择模板（如“品牌分析师”），系统自动填充 System Prompt。
  • 步骤2：技能勾选。复选框形式选择该员工能用什么工具。
  • 步骤3：知识库连接。下拉选择已上传的 docs 或 knowledge。
• 任务看板 (/workforce/mission/{id})：
  • 左侧：任务拆解树（ToDo List）。
  • 右侧：实时终端风格的日志输出（"正在搜索..." -> "正在阅读页面..." -> "生成报告中..."）。

3.4 执行层 (Execution)

• 轻量级任务：在 geo-brain 容器内直接通过 LangChain/OpenAI Function Call 执行（如搜索、写文案）。
• 重量级任务 (RPA)：通过消息队列将任务派发给 services/rpa-worker（如爬取动态网页、模拟登录操作）。

4. 下一步行动计划 (Action Plan)

1. 完善模型 (Backend)：
   • 修改 models.py 添加 Mission 和 MissionLog 表。
2. 实现规划器 (Backend)：
   • 在 core/agents/planner.py 中编写一个基础的 SimplePlanner，实现将简单指令拆解为3个步骤的能力。
3. 开发创建页 (Frontend)：
   • 在前端实现创建员工的表单（人设+技能选择）。
4. 联调任务流 (Integration)：
   • 实现点击“开始任务” -> 后端拆解 -> 前端展示进度条的闭环。