从零建立全栈 AI 桌面助手：Electron + LangGraph + RAG + Skill 技能程序

前言

如何将 LLM 的推理能力与本地工具、数据库、知识库深度结合，建立一个真正实用的桌面 AI 助手？这正是我在项目中探索的主要问题。

效果展示

• 运行截图：应用主界面
• RAG 知识库：文档上传与检索
• Skill 技能程序：技能调用效果

技术栈一览

架构设计

整体架构图解

┌───────────────────────────────────────┐
│ Electron 应用 │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ 渲染进程 │ │ 预加载进程 │ │
│ └──────────────┘ └──────────────┘ │
│ ▲ ▲ ▲ ▼
│ │ │ │ IPC Bridge ║
│ ▼ ▼ ▼ ║
│ ┌─────────────────────────────────────┐ ║
│ │ 主进程 │ ║
│ └─────────────────────────────────────┘ ║
│ ▲ ▲ ║
│ | | ║
├───► Express 服务 ◄───▼ ║
├───► MySQL ◄---▶ MySQL
├───► PostgreSQL ◄---▶ PostgreSQL
└───────────────────────────────────────┘

三进程职责划分 & 使用者痛点分析

• 渲染进程:
• - 提供对话交互、消息展示、文档上传等 UI；- CRUD 操作直接请求本地 Express 服务，简化 IPC 通信。
• 预加载进程:
• - 使用 contextBridge 暴露受控 IPC 方法；- 常见痛点：配置错误导致 UI 与后端失联；方法：单独测试 preload 脚本。
• 主进程:
• - 管理 Agent 引擎、RAG 文档处理、Skill 程序加载；- 错误定位难度高，建议在 main 中统一记录日志，并使用 try/catch 捕获异常。
• User Pain Point — “为什么我的插件不能正常工作？” 原因往往是主进程未正确注册工具或权限未开启。可通过检查 console 日志并确认 preload 是否已暴露对应方法。

主要模块实现 & 使用者痛点拆解

Agent 引擎 — LangGraph Graph 模式

如果你是第一次接触 Graph 模式，请先阅读官方文档以了解节点间消息流动的原理。

// src/main/agentGraph/core/index.tsx
export class Agent extends EventEmitter {
private readonly graph: CompiledMainGraph;constructor {
super;this.graph = buildMainGraph => manager });
}
async agentRequest {
const stream = await this.graph.stream(
{ messages: }。{ configurable:{ thread_id: sessionId },streamMode: }
);
for await{
// Stream handling logic...
handlers?.onChunk，.;}

}
}




`thread_id`：- 每个会话对应唯一 ID，实现多轮上下文记忆。

LMM 流式输出三种模式：messages / updates / custom。可以按需订阅不同事件，

Sensing thought process via `extractThinkingFromToken`，让前端可视化展示 LLM 内部推理流程。


使用者痛点 — “LLM 输出不连贯怎么办？”
从原因来看，未正确传递 `thread_id` 或 MemorySaver 未启用。请确保每次请求都携带同一 `thread_id` 并在 Graph 初始化时启用 MemorySaver。


SQL Agent — 自然语言驱动数据库查询


sql
使用者提问 → 拉取表目录 → 获取表结构 →
生成 SQL → 校验 SQL → 执行 SQL → 返回结论 ← ↑ 回到 generate_sql 如需重试。


工具名称 
职责描述 



get_table_catalog 
拉取 MySQL 全库表目录 

get_table_schema 
获取指定表字段详情 

generate_sql 
根据需求与表结构生成 SQL 

validate_sql 
校验 SQL 安全性 

run_sql 
执行 SQL 并返回结果 

evaluateResult 

评估结果是否满足需求，如不满足则回到 generate_sql 重试。









Create → Validate → Execute → Evaluate
若校验失败最多重试两次；若执行结果不满意最多迭代两轮。