AI实战篇：用LangGraph串联RAG+MCP打造能理解、会思考的Jira智能体-优快云博客

文章介绍了如何使用LangGraph作为"大脑"，结合RAG作为知识库和MCP Server作为执行工具，构建AI赋能的Jira助手。该智能体能理解自然语言指令，自动创建和更新Jira任务，解决项目管理中操作繁琐、信息隔离和状态滞后等痛点。文章详细阐述了系统架构、核心模块和实现代码，展示了AI技术在提升工作效率方面的实际应用，并提供了完整的项目代码供读者学习参考。

杨同学发自灵境胡同

AI学习的杨同学 | 公众号 AILearnerYang

大家好，我是AI学习的杨同学，一个在AI技术领域持续深耕的老司机。在日常开发中，Jira是我们绕不开的项目管理工具。但不知道你有没有这样的痛点：

操作繁琐：创建一个任务，要填一堆字段，点N次下拉框。
信息隔离：任务相关的需求文档、API说明散落在Confluence、Git等各处，查起来费时费力。
状态滞后：任务进度需要人工手动更新，经常与实际情况不符，带来很多烦恼。

如果，我们能有一个“智能秘书”呢？你只需要对它说一句：“帮我把‘用户登录模块优化’这个需求，创建成一个Story，分配给前端小王，优先级高，并把相关的API文档链接附上。”

几秒钟后，Jira里就妥妥地出现了一条规范、信息完整的任务。这，就是我们今天要聊的：基于LangGraph的智能体（Agent），结合RAG和MCP Server，打造一个真正AI赋能的Jira助手。

整个代码框架已经Ready，架构也已跑通，下面我就为大家彻底拆解这个项目。

核心架构：让AI学会“思考”和“动手”

在深入的聊技术之前，我们先看看下面的这张架构图，让大家对整个系统有个宏观认识。

架构核心思想：LangGraph作为“大脑”，协调各个“专业工具人”（Tools）来完成复杂任务，这里RAG作为知识库，就是个“大仓库” 或者“口袋”，下面的地盘或者叫“底座”是个LLM（大语言模型）。

我们来逐一拆解图中的核心模块：

LangGraph Agent（智能体大脑）

角色：总指挥。它负责理解用户的自然语言指令，并规划执行步骤，如果执行或者具体处理逻辑都归它管。
优势： LangGraph的StateGraph能够完美管理智能体的状态，实现多步骤、有条件的复杂工作流。比如，它可能会先查询知识库，再决定如何创建Jira单。

RAG（检索增强生成）- 智能体的“外挂知识库”

角色：领域专家。我们的项目有大量的内部知识，比如代码规范、API文档、历史需求等。
工作流：

索引：将Confluence文档、Git代码注释等内部知识库进行切片、向量化，存入向量数据库（如ElasticSearch / OpenSearch）。
检索：当用户提问时（例如：“创建任务时，性能测试的标准是什么？”），RAG会从向量库中检索最相关的知识片段。
增强：将这些片段作为上下文，与用户问题一并送给LLM，让LLM基于“内部知识”生成更精准的回答或执行动作。

MCP Server for Jira（智能体的“手和脚”）

角色：实干家。这是最关键的一环！MCP（Model Context Protocol）是新兴的标准化协议，它允许我们以统一的方式为LLM提供工具。
功能：我们封装了一个MCP Server，专门用于操作Jira。它暴露出一系列标准工具函数，例如：

jira_*get_*issue:Get details of a specific issue
jira_search:Search issues using JQL
jira_*create_*issue:Create a new issue
jira_*update_*issue:Update an existing issue
jira_*transition_*issue:Transition an issue to a new status
jira_*add_*comment:Add a comment to an issue

好处： LangGraph Agent可以直接调用这些标准化工具，无需关心Jira REST API的复杂细节，实现了完美的解耦。

代码实战：核心流程一览

代码框架已经Ready，这里贴出最核心的LangGraph图定义和执行流程，让大家感受一下其简洁和强大。

from typing import Dict, Any
from langgraph.graph import StateGraph, END
from src.core.state import AgentState
from src.agents.router import AgentRouter
from src.agents.jira_agent import JiraAgent
from src.agents.conference_agent import ConferenceAgent
import logging

# Set up logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

classGraphManager:
"""
    Manages the LangGraph workflow for the agent system.
    """

def__init__(self):
# 初始化GraphManager，创建所需的代理和图构建器
        logger.info("Initializing GraphManager")
        self.router = AgentRouter() # 路由代理，负责请求分发
        self.jira_agent = JiraAgent() # Jira代理，处理Jira相关操作
        self.conference_agent = ConferenceAgent()
        self.builder = StateGraph(AgentState) # 基于AgentState的状态图构建器
        self._setup_graph() # 设置图结构

def_setup_graph(self):
"""
        Set up the graph nodes and edges.
        """
        logger.info("Setting up graph nodes and edges")

# 添加节点
        self.builder.add_node("router", self._route_request) # 路由节点
        self.builder.add_node("jira_agent", self._process_jira_request) # Jira处理节点
        self.builder.add_node("conference_agent", self._process_conference_request)

# 添加条件边，根据_route_decision函数输出决定路由
        self.builder.add_conditional_edges(
"router",
            self._route_decision,
            {
"jira_agent": "jira_agent",
"conference_agent": "conference_agent",
"end": END
            }
        )

# 添加从Agent到工作流结束的线性边
        self.builder.add_edge("jira_agent", END)
        self.builder.add_edge("conference_agent", END)

# 设置入口点，所有工作流都从路由器开始
        self.builder.set_entry_point("router")
        logger.info("Graph setup completed")

def_route_request(self, state: AgentState) -> Dict[str, Any]:
"""
        Route the request to the appropriate agent.
        """
        logger.info("Routing request")
return self.router.process(state)

def_process_jira_request(self, state: AgentState) -> Dict[str, Any]:
"""
        Process a Jira request.
        """
        logger.info("Processing Jira request")
return self.jira_agent.process(state)

def_process_conference_request(self, state: AgentState) -> Dict[str, Any]:
"""
        Process a conference request.
        """
        logger.info("Processing Conference request")
return self.conference_agent.process(state)

def_route_decision(self, state: AgentState) -> str:
"""
        Make routing decision based on state.
        """
# 访问最后一条消息以确定路由
        messages = state.get("messages", [])
        logger.info(f"Making routing decision based on state. Messages count: {len(messages)}")

ifnot messages:
            logger.info("No messages found, routing to end")
return"end"

# 目前根据current_agent字段进行路由
        current_agent = state.get("current_agent", "")
        logger.info(f"Current agent: {current_agent}")

if current_agent == "jira":
# 路由到Jira代理
            logger.info("Routing to jira_agent")
return"jira_agent"
elif current_agent == "conference":
            logger.info("Routing to conference_agent")
return"conference_agent"
else:
            logger.info("Routing to end")
return"end"

defcompile(self):
"""
        Compile and return the graph.
        """
        logger.info("Compiling graph")
return self.builder.compile()

AI赋能Jira：不止于创建任务

这个智能体能做什么？大家可以头脑风暴一下！

自然语言生成任务卡片：如开篇所述，一句话创建复杂任务。
智能问答与报告：

“我们Q1季度，哪个模块产生的Bug最多？列出Top3。”
“把‘电商大促’项目的所有阻塞态任务汇总成一个Markdown报告发到群里。”

自动化工单处理：

监控日志，自动为频繁出现的Error创建Bug单。
识别Git Commit Message，自动将关联的任务状态更新为“Resolved”。

上下文感知辅助：

在任务界面，直接问Agent：“这个任务关联的PR代码评审意见是什么？”（它通过RAG去Git里找）。

智能体运行截图:

本文的项目核心骨架已在Gitee开源，欢迎来点个Star，见证项目的成长：
【Gitee链接】：https://gitee.com/ailearneryang/jira_agent.git

接下来，我也为公众号的读者朋友们准备了一份 “完整版” ，里面包含了项目所有的配置秘钥和部署清单。如果你想快速在本地环境跑起来，只需在后台对我发出接头暗号：【Jira_Agent】 ，我就会把完整资料包发送给你。

总结与展望

通过 LangGraph（协调） + RAG（知识） + MCP Server（执行）这个黄金组合，我们成功地构建了一个能理解、会思考、可执行的AI Agent。

这套架构的可扩展性极强：

未来要操作Confluence？再加一个MCP Server即可。
要连接Jenkins？同样封装成MCP工具。
LangGraph会轻松地将它们纳入统一的工作流中。

技术栈总结：

Agent框架： LangGraph
大模型：开源LLM，比如Qwen3，DeepSeek，gpt-oss
工具协议： MCP
知识库： RAG (ElasticSearch / OpenSearch + 文本嵌入模型)
目标系统： Jira (REST API)

AI不是飘在空中的概念，而是能落地解决实际问题的利器。希望这个实战项目能给你带来启发。如果你对LangGraph、MCP或者RAG的细节感兴趣，欢迎在评论区留言，我们可以再开专题深入讨论。

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习_，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。
为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

在这里插入图片描述

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

在这里插入图片描述

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

在这里插入图片描述

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

在这里插入图片描述

【AI 大模型面试题】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

在这里插入图片描述

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

在这里插入图片描述

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

在这里插入图片描述

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：
- 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
- 拥有多项中美发明专利。
- 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。
目前，我有幸与鲁博士共同进行人工智能相关研究。

在这里插入图片描述

内容实用，循序渐进：

资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。
包含丰富的视频教程与实战项目案例，强调动手实践能力。
无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。