精通
英语
和
开源
，
擅长
开发
与
培训
，
胸怀四海
第一信赖
精通
英语
和
开源
，
擅长
开发
与
培训
，
胸怀四海
第一信赖
锐英源精品原创，禁止全文或局部转载，禁止任何形式的非法使用，侵权必究。点名“简易百科”和闲暇巴盗用锐英源原创内容。
锐英源软件在视觉检测算法成熟构建了矩阵平台后，开始解决智能体Agent和视觉检测算法结合问题，在DeepSeek上查这类开源项目，DeepSeek推荐了经典Agent智能体开源项目liquid-quality-agent，研究一段时间后，有了一定成果，编写本文，以做记忆和大家共同提高。下面是liquid-quality-agent执行场景图片：
图片下面是Python代码调试执行窗口，右上是liquid-quality-agent的执行界面。锐英源软件对liquid-quality-agent深度研究的程度是吃透每一行代码，所以自己建立了开发环境，在开发环境里设置断点可以跟踪监视，在吃透后，进行自己的混合架构智能体开发，最终替换掉liquid-quality-agent里的核心代码。
从界面上可以看到如下提示文本：
工业视觉质量系统 液位与字符检测工作台
检测图片中的液位和三位字符，判断是否需要复检。如果不需要复检，请结合当前检测证据和规范说明理由；如果执行了复检，请说明触发原因、复检策略、证据变化、结果一致性、最终可靠性和后续处置建议。
自动复检，字符识别。
这些文本说明这个开源项目先视觉检测，然后对检测结果进行了判断，判断的功能展开的多。Liquid Quality Agent把大模型作为数据评判的法官，用SQLite证据链、LangGraph Agent和RAG质量规范等等技术，保存历史数据，分析新数据，给出可信赖的评判结果。
Liquid Quality Agent的运行环境由Anoconda安排，下载信赖的库后，执行启动脚本就可以运行，脚本里配置了运行参数，锐英源软件为了调试代码，建立了自己的自定义开发环境。
在代码目录下建立.vscode子目录，生成如下内容的settings.json：
{
"version": "0.2.0",
"configurations": [
{
"name": "Python: 当前文件",
"type": "debugpy",
"request": "launch",
"program": "${file}",
"console": "integratedTerminal",
"cwd": "${workspaceFolder}",
"python": "${workspaceFolder}/py311_env/python.exe",
"env": {
// 使用 ${workspaceFolder} 变量动态获取项目根目录路径
"PYTHONPATH": "${workspaceFolder}/src",
"LIQUID_VISION_SERVICE_URL": "http://127.0.0.1:8011",
// 注意：Windows路径中的反斜杠需要转义，或直接使用正斜杠 /
"LIQUID_DATABASE_PATH": "${workspaceFolder}/runtime/database/liquid_quality.db"
}
}
]
}
注意里面的python.exe用的是Anoconda生成的python3.11运行环境，Liquid Quality Agent强制要求使用Python3.11，新版本Python3.14用不成。
上文说过，是DeepSeek推荐的liquid-quality-agent，DeepSeek也总结了liquid-quality-agent的优点：
Liquid Quality Agent的核心创新在于，它将大模型的认知能力与Agent的自主决策架构深度融合，构建了一个完整的工业质检闭环。
1. 确定性与生成式的边界分工
系统最精妙的设计在于安全边界的设定：
这种分工意味着：大模型不会“幻觉”出一个错误的液位值，但它可以利用其强大的语义理解能力，将冰冷的检测指标转化为可理解的质量结论。
2. Agent架构的闭环流程
整个系统通过LangGraph构建的Agent工作流，将多个模块串联成一个完整的工业闭环：
text
图片输入 → YOLO目标定位 → 液位反演 & 字符识别
→ 结构化质量证据 → 确定性质量门控
→ pass: 自动放行
→ review/reject: 差异化复检 → 初检-复检仲裁 → 人工复核
→ SQLite证据链 → LangGraph Agent + RAG质量规范
→ 原因解释与处置建议
这个架构的核心价值在于：每个环节都有明确的责任边界，而Agent作为“质量分析师”站在整个链条的末端，用自然语言解释整个决策过程。
三、Agent架构带来的四大核心优势
优势一：从“黑盒输出”到“可解释决策”
传统视觉模型输出的是一个数字或一个标签，但产线工人和管理者需要知道的是为什么。
Liquid Quality Agent通过RAG（检索增强生成）机制，让大模型能够检索质量规范文档，结合检测证据链，生成自然语言的原因解释和处置建议。例如，当液位检测失败时，Agent会解释是置信度不足、刻度结构异常还是字符一致性出了问题，并给出“重新采集”或“人工复核”的具体建议。
这正是工业场景最迫切的需求——不仅仅是“知道有问题”，更要“知道问题在哪、该怎么办”。
优势二：从“单次判定”到“自主闭环”
Agent架构赋予了系统自主决策和闭环优化的能力。Liquid Quality Agent内置了确定性质量门控、差异化自动复检、初检-复检仲裁三层机制：
这一整套流程完全由Agent自主调度执行，无需人工干预，实现了从“检测”到“决策”再到“行动”的完整闭环。
优势三：从“单点工具”到“可审计系统”
工业质检的另一个刚性需求是可追溯性。当一批产品出现质量问题时，企业需要能够回溯：当时系统看到了什么？依据什么做出的决策？
Liquid Quality Agent通过SQLite审计模块，将完整的证据链（包括YOLO检测结果、液位反演数据、字符识别结果、门控判定依据、复检过程、仲裁结论）全部持久化存储。Agent的解释和处置建议同样被记录在案。
这使得每一次质量决策都有据可查、有迹可循——从“经验驱动”升级为“证据驱动”。
优势四：从“算法孤岛”到“业务就绪”
工业场景中，算法模型往往难以接入现有业务软件，形成“算法孤岛”。
Liquid Quality Agent通过FastAPI双服务提供标准化的API接口，配合C++ WinHTTP客户端实现与现有业务系统的无缝对接。同时，Agent层通过自然语言输出，让非技术背景的产线管理者也能理解检测结果和处置建议。
大模型在这里扮演的不是“计算者”，而是“翻译者”和“解释者”——将算法的内部指标翻译成业务语言，将技术决策解释成管理行动。
简单来说Agent智能体需要的架构和技术点，Liquid Quality Agent都有，并且把液位视觉检测场景的数据抽象化和Agent进行了结合，抽象化的数据按Agent智能体的模式进行了价值提升，所以非常有意义。
优点里每个术语，都要落实到具体代码，看看代码，理解下术语文本，建立持久的记忆，才算Agent智能体入门。
说实话，AI的总结，我能看明白，但是初学者未必能看明白，不过人工总结，也不可能总结的比这些文本好。
对术语和代码细节不理解的，都可以联系锐英源软件，大家也可以查AI，现在的AI说的话，有时候太抽象了，新潮词影响AI，AI反过来又强化新潮词，这就是闭环。