基于开源生态的飞书 Agent 闭环极速 MVP 选型方案
本方案旨在放弃“从零造轮子”，全面拥抱 2026 年主流的开源 AI 基础设施（MCP 协议、LangGraph 状态机、Langfuse 遥测），构建一个能够快速跑通“搭建 ──> 运行 ──> 微调 ──> 遥测 ──> 闭环进化”的极简 MVP 架构。一、 降维打击的开源技术栈选型（The LEGO Stack）
通过引入以下三个核心开源技术，我们可以将原先需要 3 个月开发的工程量，压缩到 1-2 周内完成 PoC 验证：
┌────────────────────────────────────────────────────────┐
│ 1. 编排大脑：LangGraph │
│ (天然支持有向循环图 Cyclic Graph，内置 Human-in-the-loop) │
└───────────────────────────┬────────────────────────────┘
│
┌─────────────────────────┴─────────────────────────┐
▼ ▼
┌─────────────────────────────────┐ ┌─────────────────────────────────┐
│ 2. 执行手脚：Lark MCP │ │ 3. 遥测眼睛：Langfuse │
│ (飞书官方 lark-openapi-mcp 服务) │ │ (开源 LLM 追踪，收集用户 Diff) │
└─────────────────────────────────┘ └─────────────────────────────────┘1.1 大脑：LangGraph (Stateful Multi-Agent Orchestration)
为什么选它： 传统的 CrewAI 或 AutoGen 适合单向、顺序性的任务，但我们的“双 Swarm 协作”本质上是一个带有状态循环、需要人类介入（Human-in-the-loop）修改的有向图。
MVP 作用：
LangGraph 是目前唯一将“图状态（State）”和“中断等待（Interrupt & Resume）”作为一等公民对待的框架。
我们可以轻松用它定义“架构师 Node”和“部署 Node”，并且在部署前自动触发 interrupt_before，等待用户在控制台或 UI 确认（实现概念设计确认）。
1.2 手脚：Model Context Protocol (MCP) 与 飞书官方 MCP 服务
为什么选它： 这是本 MVP 能在一周内落地的核心秘诀！ 2024年底由 Anthropic 提出的 MCP 协议已成为行业标准。飞书官方近期开源了 larksuite/lark-openapi-mcp。
MVP 作用：
我们完全不需要自己用 Python 封装飞书的 DDL/DML 接口。
启动 Lark MCP Server 后，大模型（如 Claude 3.5 Sonnet）可以直接通过标准的 JSON-RPC 调用飞书的所有 API。
大模型会自动识别到“这里有一个 create_bitable_table 的 Tool”，自主决定参数并调用，免去了我们编写上千行 API 适配和 CLI 解析代码的烦恼。
1.3 眼睛（遥测）：Langfuse (Open Source LLM Observability)
为什么选它： 收集用户反馈数据和输入输出的 Diff 是机器学习闭环的难点。Langfuse 是目前最流行的开源 LLM 监控和评估平台。
MVP 作用：
自动 Trace 链条： Langfuse 能够自动记录 LangGraph 的每一个 Node 运行、每一个 MCP 工具调用。
用户反馈反馈（Feedback Score）： 内置了评分 API。当用户在零代码页面对 AI 生成的表单给出“ thumbs up/down”或进行“文本微调”时，前端直接调用 Langfuse SDK 上报。
DPO 语料一键导出： 我们可以直接在 Langfuse 后台，将用户“打回并修改”（Rejected）的 Prompt 与“最终上线”（Chosen）的 Schema 导出为 DPO 训练集，免去自行开发遥测数据库。
二、 MVP 架构拼装蓝图（How It Works）
利用上述开源技术，我们设计的全链路闭环在 MVP 阶段的实际流转如下：
┌──────────────┐ ┌───────────┐ ┌────────────────────┐
│ 1. 用户输入 │ ──────> │ LangGraph │ ──────> │ Lark MCP Server │
│ "帮我做请假" │ │ (分析意图) │ │ (自动调用飞书接口) │
└──────────────┘ └─────┬─────┘ └─────────┬──────────┘
│ │
▼ ▼
┌──────────────┐ ┌───────────┐ ┌────────────────────┐
│ 4. 闭环进化 │ <────── │ Langfuse │ <────── │ 3. 用户在飞书微调 │
│ (DPO 导出) │ │ (捕获反馈) │ │ (触发 Webhook 事件) │
└──────────────┘ └───────────┘ └────────────────────┘第一步：概念设计与 L-DSL 生成
用户在前端页面（可以使用开源的 Chainlit 或 Dify 快速搭建对话界面）输入需求。
LangGraph 中的 “架构师 Node”（背后是 GPT-4o 或 Claude）进行多轮对话，最终输出标准的 L-DSL（用 JSON 表达）。
第二步：自动物理部署（MCP 驱动）
LangGraph 将 L-DSL 传递给 “部署 Node”。
“部署 Node”通过 lark-openapi-mcp，把逻辑模型翻译为一系列 MCP Tool Calls。
Lark MCP Server 接收指令，直接在用户的飞书中创建 Bitable、新增字段，并生成一篇带 Form 入口的飞书文档，交付运行。
整个调用过程由 Langfuse SDK 自动包装（Wrap），生成一条全局 Trace ID。
第三步：遥测捕获与 Diff 计算（轻量级方案）
用户打开飞书，发现某个字段不符合预期，在多维表格界面进行了修改（如将“备注”从普通文本改成了多行文本）。
我们部署一个极简的 Node.js/Python Webhook Receiver 订阅飞书的数据表字段变更事件。
当 Webhook 收到 updated 事件时，调用 Langfuse SDK：
# 将用户的修改作为 "Feedback" 关联到原本的 Trace 上langfuse.score(
trace_id=original_trace_id,
name="user_refinement",
value=0.0, # 降低原生生成的评分
comment=json.dumps({"field": "备注", "change": "TEXT -> TEXTAREA"})
)
第四步：偏好数据导出与微调准备
在 Langfuse 的后台，我们可以直接看到所有“被用户修改过”的 Trace。
通过 Langfuse 的 API，一键拉取所有 value=0.0 的 trace，提取其 input（原始 Prompt）和 output（AI 初始生成），以及 comment（用户的最终修正结果），自动合并为： { prompt: "...", rejected: "TEXT", chosen: "TEXTAREA" }
DPO 数据集集装完毕！
三、 MVP 落地三步走计划（2周内跑通 POC）
为了实现极速验证，我们将工作流拆分为两个星期：
📅 第一周：通路的“正向打通”（从对话到飞书自动建表）
第 1-2 天：环境部署
部署一个本地/云端 Langfuse 实例（支持 Docker 一键部署：docker compose up）。
注册飞书开发者账号，创建一个飞书应用，并获取 APP_ID 和 APP_SECRET。
启动飞书官方的 Lark MCP Server 并进行配置。
第 3-5 天：LangGraph 编排与工具绑定
编写一个极简的 LangGraph 脚本，将大模型（Claude/GPT）连接到 Lark MCP Server。
实现：输入“帮我建一个采购审批表，包含商品名和总价”，LangGraph 自动解析，并通过 MCP 自动在用户的飞书中建好这个表格。
验证 Langfuse 中能清晰看到所有的工具调用 Trace。
📅 第二周：通路的“反向闭环”（从用户修改到 DPO 数据收集）
第 6-8 天：极简 Webhook 与 Diff 监听
编写一个 50 行代码以内的 Webhook 接收端，监听当前 Bitable 的 bitable.table.field.updated_v1 事件。
当用户在飞书界面上，把一个“单行文本”改为“数字”时，Webhook 成功捕获该事件。
通过 Webhook 将这一修改以 score 的形式提交给 Langfuse，与第 3-5 天生成的 Trace ID 绑定。
第 9-10 天：DPO 数据集自动生成与闭环测试
编写一段脚本，从 Langfuse 读取所有被修改过的 Trace。
自动将其清洗、合成为完美的 DPO dataset JSON 文件。
测试进化： 提取这一修改，作为 Few-shot 动态注入到第一周的 LangGraph Prompt 中。再次测试“建一个设备管理表，包含总价”，验证大模型是否已经“学会”了自动将总价设为数字类型。
四、 本方案的技术与商业优势
零研发成本的 UI 界面： 我们甚至不需要自己写前端界面。可以直接把 Lark MCP Server 接入到 Claude Desktop 或 Cursor 中。用户在 Claude Desktop 里直接打字，Claude 就能通过 MCP 在飞书里建表。
极高的确定性： 借助 LangGraph 的状态管理，我们在 MVP 阶段可以加入“人工审批”节点（Human-in-the-loop），在 MCP 真正去飞书建表前，让开发人员在命令行敲 y 确认，确保 100% 安全合规。
极具说服力的 Demo： 你可以在 10 分钟的汇报中，向团队或投资人展示：“看，我在这打一句话，飞书里应用自动建好了；我手改了一下飞书，后台自动收集到了 DPO 训练样本。整个闭环完全自动化运行。”
