AI 实战篇：用 LangGraph 串联 RAG+MCP Server，打造能直接操控 Jira 的智能体

大家好，我是CV君，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。

01 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：

1. 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。

2. 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。

3. 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。

02 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()

03 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！

1. 自然语言生成任务卡片： 如开篇所述，一句话创建复杂任务。

2. 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。”

3. 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”。

4. 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:

接下来，我也为读者朋友们准备了一份 “完整版” 大模型资源，里面包含了论文、书籍、面试题、项目源码和课程等。如果你想快速学会大模型，只需在【小灰熊大模型】后台对我发出接头暗号：【111】 ，我就会把完整资料包发送给你。

04 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。

觉得这篇文章干货满满吗？关注我！点赞、收藏、转发三连，让更多的小伙伴看到AI技术的魅力！