全栈 AI Agent 从 0 到 1 ：智能播客平台开发全记录
内容提要
这是一个端到端智能播客制作平台，用户上传音视频后，AI自动完成内容理解、音色设计、语音合成和混音。项目采用Vue 3、FastAPI、LangGraph等技术，通过SSE和AG-UI协议实现流式通信，并集成多模态识别、音频处理工具及临时文件清理机制，实现全流程自动化。
延伸解读
技术选型与架构设计
项目采用Vue 3、FastAPI、LangGraph等技术栈，通过SSE和AG-UI协议实现流式通信，并集成多模态识别、音频处理工具及临时文件清理机制，实现全流程自动化。这种架构设计兼顾了前后端分离、流式交互和资源管理，为AI应用开发提供了可参考的实践范例。
工程实践与经验
作者在开发中总结了多项工程实践：工具设计遵循单一职责原则，将音频处理拆分为9个独立工具；存储采用临时与永久分离的双层架构，避免磁盘膨胀；流式输出使用stream_mode="messages"确保真流式；配置管理支持可视化界面，降低使用门槛。这些经验对AI应用开发者具有借鉴意义。
项目局限与注意事项
文章指出InMemorySaver仅适合本地简单尝试，真实业务需用数据库；SSE响应可能被缓冲，需添加特定响应头；LangChain 1.0 API变动大，需关注官方文档。此外，项目依赖阿里云DashScope服务，实际部署需考虑API成本和稳定性。
Q&A
Smart Podcast Platform 是什么？它的核心功能是什么？
Smart Podcast Platform 是一个端到端的智能播客制作平台，用户上传音视频后，AI 自动完成内容理解、音色设计、语音合成和混音，全程无需人工干预。
Smart Podcast Platform 使用了哪些主要技术栈？
前端使用 Vue 3、TypeScript、Vite、Tailwind CSS、shadcn-vue 和 ai-elements-vue；后端使用 FastAPI 和 Uvicorn；AI 框架使用 LangChain 1.0 和 LangGraph 1.0.3；语音引擎和识别使用阿里云 DashScope（Qwen-TTS 和 Qwen-ASR）；多模态模型使用 qwen3.5-omni-plus；音频处理使用 pydub 和 FFmpeg；通信协议使用 SSE 和 AG-UI。
为什么选择 SSE 而不是 WebSocket 来实现流式通信？
因为 SSE 是单向的服务器推送，基于普通 HTTP 连接，比 WebSocket 更轻量。对于 AI 对话这种“用户发一条，AI 持续回复”的场景，SSE 完全够用，且不需要额外的握手和连接管理。
AG-UI 协议是什么？它定义了哪些事件类型？
AG-UI 是一套专门为 AI Agent 与前端通信设计的事件规范，定义了标准事件类型，如 RUN_STARTED、TEXT_MESSAGE_START、TEXT_MESSAGE_CONTENT、TEXT_MESSAGE_END、TOOL_CALL_START、TOOL_CALL_ARGS、TOOL_CALL_END、TOOL_CALL_RESULT、RUN_FINISHED 等。
项目中的音频混音工具模块包含哪些核心工具？
包含三个核心工具：音频拼接工具（concatenate_audio）、智能BGM选择工具（select_background_music）和音频混音工具（mix_audio_with_bgm）。
项目如何管理音频资源？
项目使用轻量级的 JSON 文件（voice_index.json）作为音频索引，提供 RESTful API 进行查询、上传和删除，并通过文件锁保证并发安全。
临时文件清理机制是如何工作的？
系统定时清理 storage/temp/ 目录下超过指定时间（默认10分钟）的过期文件，递归清理所有子目录并自动移除空目录，返回统计信息。
项目如何实现多模态识别？
项目集成了阿里云 DashScope 的 qwen3.5-omni-plus 模型，支持图片、视频、音频的统一理解。对于大视频文件，会自动分割成多个片段分别处理。
配置管理采用什么策略？
采用配置文件 > 环境变量 > 默认值的三级配置优先级，用户可以通过前端界面修改配置，自动持久化到 config.json。
项目在工程实践中有哪些经验总结？
包括工具设计遵循单一职责原则、临时文件与永久存储分离、使用 stream_mode="messages" 实现真流式输出、配置可视化降低使用门槛等。
