后端程序员转型 AI 工程师的第一站
Ragent 是一个面向 Agentic RAG 演进的生产级 Java AI 应用平台，覆盖从文档入库到智能问答的完整链路。
- 混合检索：向量、关键词、知识图谱、联网搜索并行召回，支持去重、RRF 融合与 Rerank。
- 问题理解：支持查询词映射、问题重写与拆分、树形意图识别和多知识库路由。
- 模型与工具：支持模型档位、首包探测、熔断降级，以及 AgentScope 的 MCP 工具发现与调用。
- 会话记忆：最近 N 轮消息结合持久化摘要，控制 Token 成本并保留关键上下文。
- 流量保护：Redis 公平排队与分布式并发控制，避免突发请求压垮模型服务。
- 知识闭环：提供可编排入库 Pipeline、远程刷新、回答溯源、用户反馈、Trace 和管理后台。
生产落地智能体会踩的坑，这里都有对应方案，一套经过真实场景锤炼的工程实践，系统补全 RAG / Agent / MCP 等知识，面试写进简历聊得起来。
觉得不错？先点个 Star 收藏，所有链接都会在新标签页打开，不会离开本页 👇
| 链接 | 说明 | |
|---|---|---|
| 📖 | 官网文档 | Ragent AI 完整文档 |
| 🚀 | 在线体验 | 无需部署，直接体验 Ragent AI |
| ⚡ | 快速启动 | 本地搭建 Ragent AI 前后端项目 |
| 📝 | 简历怎么写 | 项目如何写到简历上 |
| 💡 | 为什么不用 Spring AI / LangChain4j | 技术选型的思考 |
Ragent AI 仍在持续迭代中，欢迎参与共建，一起把项目打磨得更好。 感谢各位亦菲、彦祖们对 Ragent AI 的贡献：
感谢以下伙伴对 Ragent AI 的支持！
|
moacode 是一家稳定、高效的 API 中转服务商，提供 Claude、GPT、Codex、Claude Code 等多种模型调用服务。Ragent AI 用户可通过此链接注册，并在充值时填写 MAGE 优惠码，享受 9 折优惠。
|
AI 这波浪潮，Java 程序员已经躲不过去了。
不管你现在做的是业务系统还是中间件，面试的时候多多少少都会被问到 AI 相关的东西。RAG 是什么？Agent 怎么实现？用过 MCP 吗？这些问题越来越高频。可以说，AI 已经从加分项变成了必答题。
但说实话，对于大多数应用层的开发者来说，去死磕大模型的微调、蒸馏、Transformer 原理，性价比并不高。真正实用的，是掌握 RAG 和 Agent 这些应用层的东西——能落地、能出活、面试也能聊得起来。
校招 / 社招 / 怎么学？（点击展开）
简历上清一色的 CRUD 项目——商城、外卖、博客，面试官早就审美疲劳了。当别人还在写基于 SpringBoot 的 XX 管理系统时，你简历上有一个完整的 AI 项目，区分度直接拉满。而且大厂校招越来越看重候选人对新技术的敏感度，AI 项目能直接证明你的学习能力和技术视野。
2024 年以来，几乎所有技术团队都在往 AI 方向靠。很多公司已经把有 AI 相关经验写进了 JD 里。你可能 Java/Go 写得很溜，但面试官会问：你对 LLM 了解多少？RAG 做过没有？向量检索怎么实现的？答不上来，直接少了一个谈薪的筹码。
说白了，学 AI 项目的核心原因就三个：
- 简历差异化。从 RAG 知识问答到 ReAct 多轮推理、MCP 工具调用和 Skills 技能应用，Ragent V2 覆盖完整实战链路。把实际完成的功能、解决的问题和验证结果写进简历，体现你的 AI 应用开发能力。
- 面试有东西聊。Workflow 与 Agent 如何选型、ReAct 如何决策和调用工具、Skills 如何按需加载、上下文如何压缩、长期记忆如何跨会话保留，以及写操作的人工确认、Langfuse 对推理、工具调用和 Token 的追踪，都能结合源码与设计取舍展开聊。
- 实际工作用得上。从有依据的知识问答，到调用外部系统、执行多步任务并确认关键操作，混合检索、MCP、上下文管理、模型容错和链路追踪，都是构建可调试、可扩展、运行有保障的 AI 应用所需的能力。
很多人跟着 B 站视频或者 GitHub 上的开源项目撸了一遍，以为自己懂了。结果面试一问深的，直接懵了。原因很简单：那些 Demo 级别的项目，和企业真正要用的东西，差距太大了。
还有些同学报了训练营，发现清一色是 Python。语言不熟、生态不通，学完感觉收获有限，回到 Java 这边还是不知道怎么下手。就算用 Spring AI 或者 LangChain4j，版本迭代太快，低版本功能缺，高版本升级约等于重写，也是一肚子苦水。
基于这些问题，我决定做一个 Agentic RAG 实战项目，名字叫 Ragent。
这个项目覆盖 RAG 全链路和 Agent 智能体两条主线，同时涉及 MCP/Skills 集成。更重要的是，它不是我看了几篇文章拼凑出来的玩具——我在公司实际落地过 Agentic RAG 系统，解决过信息孤岛、知识检索、效率提升这些真实的业务问题。所以 Ragent 的复杂度，就是企业级项目该有的复杂度。
学完之后，你可以放心大胆地跟面试官讲：企业里就是这么做的。
市面上打着 RAG / Agent 旗号的项目不少，但很多要么是玩具级 Demo，要么是概念包装。在学之前，先把这几个误区理清楚，避免踩坑。
传统 RAG 的基本链路如下，Agent 在此基础上增加了任务决策与工具执行：
4 个常见误区详解（点击展开）
很多教程的套路是：调一下 OpenAI 的 Embedding 接口，往向量数据库里塞点数据，再用 LLM 生成答案——完事了。这顶多算跑通了一个 Demo。Agent 也一样，接上 MCP、让模型调一次工具，只是起点。
真正的 RAG 系统要考虑的问题多得多：文档怎么切分效果最好？检索召回率不够怎么办？多路召回怎么融合排序？幻觉怎么控制？到了 Agent，还要考虑工具选错、调用失败后怎么处理，什么时候继续推理、什么时候结束任务。这些才是面试官会追问的点。
跑通 Demo 和做出能上线的系统之间，差的不是代码量，是对每个环节的深入理解。
Retrieval-Augmented Generation 这个名字确实容易让人觉得就是检索加生成。但实际工程中，从 RAG 问答到 Agent 执行任务，至少涉及这些环节：
- 数据处理：PDF、Word、PPT、网页，格式五花八门，光是解析成干净文本就是一堆脏活。PDF 里的表格、扫描件、双栏排版，每一个都是坑。
- 分块策略：切太大检索不精准，切太小上下文丢失。按段落切、按固定字数切、按语义切，不同文档可能需要不同策略。
- 问题重写：用户问“报销咋整”，你拿这四个字去检索，效果能好吗？多轮对话里用户说“怎么申请”，不补上下文系统根本不知道在问啥。
- 意图识别：用户是想查知识库，还是要调用业务系统？是闲聊还是正经提问？走错了路，答案肯定不对。
- 检索策略：纯向量检索对精确匹配很弱，用户问一个订单号，向量检索可能完全找不到。混合检索怎么融合、top-k 选多少、要不要重排序，都是取舍。
- 会话记忆：20 轮对话全塞给模型？Token 成本扛不住。只带最近几轮？可能丢关键上下文。Agent 还会积累工具结果和推理上下文，需要裁剪、摘要压缩，并按需保留跨会话的长期记忆。
- 任务执行：ReAct 根据工具结果继续决策，Skills 按需提供任务指导；查几次、用什么工具、何时停止，都要有执行边界。
固定问答可以用 Workflow，需要动态规划的任务再交给 Agent，V2 中两条链路并存。每一环都有坑，每一环都值得深挖。面试的时候能把这些讲清楚，比背概念有用得多。
框架和 MCP 能简化模型与工具接入，但接通能力之后，还有一系列工程问题要解决。企业场景下要面对的是：
- 大规模文档的增量更新，不可能每次全量重建索引
- 多租户隔离和权限控制，不同部门看到的知识库不一样
- 高并发下的检索性能，模型调用的成本控制和容错
- 请求风控，防止用户套取敏感信息或恶意攻击
- 模型负载均衡，多供应商切换和降级策略
- 工具参数校验、失败处理，以及写操作的人工确认
- 可观测性，通过 Langfuse 等工具追踪推理、工具调用、耗时与 Token，结合效果评估和用户反馈定位问题
这些问题不能只靠框架的 QuickStart 解决，面试和实际业务都会追问具体设计。
RAG / Agent 项目的效果既取决于模型，也取决于工程化能力。同样的模型，检索策略不同、Prompt 设计不同、分块粒度不同，再加上工具选择和上下文管理的差异，最终效果可以天差地别。
举个例子：用户对电商助手说“上周买的耳机能退吗？能退就帮我申请”。Agent 需要先确认具体订单，通过 MCP 工具查询订单状态，再检索知识库中的退货政策，根据结果判断是否符合条件；信息不足时继续追问，符合条件时展示申请内容，经用户确认后调用售后工具提交。这就是 Agentic RAG：根据任务和执行结果动态决定下一步，把知识检索与业务操作串起来。背后的检索准确性、工具参数校验、用户权限和重复提交防护，都需要工程设计，换个更强的模型也不能省略。
面试中能把这些工程细节讲清楚的人，远比只会说“我用了某个最强模型”的人有说服力。
采用前后端分离的模块化单体架构，后端按职责分为七个 Maven 模块：
| 模块 | 职责 |
|---|---|
infra-ai |
Chat / Embedding / Rerank / VLM 模型客户端、模型档位、路由、首包探测、健康状态与降级 |
system |
用户认证与审计日志，位于各业务引擎之下的系统支撑域 |
rag |
RAG 问答、知识库、入库 Pipeline、意图树、检索、会话及管理端 API |
agent |
AgentScope ReAct 执行引擎，接入知识检索与 MCP 工具，支持技能、记忆和人工确认 |
bootstrap |
启动装配层，仅含启动类与主配置 |
framework |
统一响应与异常、幂等、分布式 ID、MQ 适配、SSE 与跨节点流式取消等基础能力 |
mcp-server |
基于 MCP Java SDK 的独立工具示例服务，内置天气、票务、销售与联网搜索示例 |
这个分层不是为了炫技，而是把业务编排、AI 供应商差异和通用基础设施隔离开。切换模型、向量库或对象存储时，核心问答流程不需要跟着重写。
一次提问在服务里怎么走，v1 和 v2 是两套路子。
MCP 客户端只在 agent 模块中装配，使用 AgentScope 连接和发现工具，服务地址配置在 agent.mcp.servers。意图树中的 MCP 节点仍指定可用工具及确认规则；Workflow 只识别知识库和系统意图，不连接 MCP 服务。mcp-server 是独立示例服务，使用与 AgentScope 一致的 MCP Java SDK 版本实现服务端协议。
- v1 是 Workflow 编排，路径写死在代码里：问题重写、意图识别、多路召回、组装生成，一步接一步走完。
- v2 换成 Agentic 架构，路径由模型自己定：知识检索、MCP 工具和 Skills 技能都变成它手里的工具，查不查、查几次、查完接着干什么，在 ReAct 循环里边推理边决定。所以链路比 v1 长，也不再是一条直线。
下图是 v2 的核心流程。实际项目代码中的逻辑比图上更复杂，落地过程中还涉及很多细节和优化。
两套并存，不是谁替代谁。问答类知识助手需求走 v1 更快也更可控，要规划、要动手操作的场景才交给 v2。
这里的质量不靠一张架构图来证明，而是看代码边界、测试、故障处理和运维闭环是否真实存在。以下数据按当前仓库统计，代码行数包含注释和空行。
- 后端：7 个 Maven 模块，分别承载基础能力、知识库问答、Agent、启动装配和示例 MCP 服务。
- 前端：知识库管理、意图树、Agent 技能、会话与系统配置。
- 数据与测试：平台业务表与
mcp-server演示业务表分别维护，Java 测试覆盖检索、Agent 工具调用和服务端协议。
代码量本身不等于质量，但这些模块组成了数据进入系统—检索生成答案—展示证据—收集反馈—追踪与审计的完整闭环，另有 Agent ReAct 推理与工具调用链路，不仅是简单的 API 示例。
- 模块边界：通用基础设施、AI 能力、RAG 业务、Agent 引擎和 MCP 服务相互隔离，替换模型或存储实现不会侵入问答编排。
- 配置防错：模型档位、候选能力和检索漏斗在启动阶段完成一致性校验，错误配置直接失败而不是静默降质。
- 并发治理：10 个专用线程池隔离负载，TTL 保证用户与 Trace 上下文跨线程传递。
- 关键路径测试：覆盖模型路由、检索预算、会话摘要、入库 Pipeline、MCP 和 Agent 上下文与长期记忆。
- 工程约束：统一响应、错误码和异常处理，认证、幂等、线程安全 SSE 与 Spotless 格式化均已落到代码。
项目中大量应用并发线程，建议配合社群里的 oneThread 动态线程池框架 搭配学习收获更多。
AI 写代码很强，但掌舵的还是程序员。能不能接着扩展、改一处会不会牵一片，取决于动手前有没有把结构定好。项目里的设计模式，每个都对着一个具体问题：
| 设计方式 | 业务场景 | 解决的问题 |
|---|---|---|
| 策略 | 检索通道、结果后处理、文档来源 | 不同实现可独立替换 |
| 工厂 | 意图树、分块策略、流式回调创建 | 集中复杂对象的创建逻辑 |
| 模板方法 | 并行检索、模型请求 | 固定通用流程，仅开放差异步骤 |
| 注册表 | 意图节点管理 | 统一注册和查找配置 |
| 装饰器 | 向量写入时同步关键词和图谱索引 | 在不修改主流程的前提下增强能力 |
| 责任链 | 检索后处理、模型故障降级 | 按顺序组合处理步骤 |
| 中间件 | Agent 记忆注入、上下文压缩、技能遮蔽、工具批处理 | 不改执行引擎就能插拔能力 |
| 适配器 | 多家模型方言、Agent MCP 业务规则、MQ 客户端 | 屏蔽外部接口差异 |
| 状态机 | 远程文档定时刷新 | 约束状态流转，挡住非法跳转 |
| 事件回调 | 模型流式响应、首包探测、SSE 输出 | 解耦事件生产与消费 |
| AOP | 链路追踪、幂等、审计日志 | 将横切逻辑与业务解耦 |
下一节的那些扩展点，基本都是这些模式带来的结果。
核心能力通过接口、注册表和配置隔离，新增实现可以复用现有编排、容错、日志和管理能力：
| 扩展维度 | 如何接入 | 接入后的效果 |
|---|---|---|
| 模型 | 实现 ChatClient / EmbeddingClient / RerankClient，加入模型候选配置 |
新供应商可进入模型档位与候选路由，复用首包探测、健康检查和熔断降级 |
| 存储 | 实现向量存取或 ObjectStorageClient，通过配置选择实现 |
可替换向量库或对象存储，知识入库与问答主流程保持不变 |
| 检索 | 实现 SearchChannel 或后处理器，注册为 Spring Bean 并设置顺序 |
新通道参与并行召回，新处理器可插入去重、融合、精排与富化链路 |
| 入库 | 实现 IngestionNode 或 DocumentFetcher，补充节点类型和配置 |
新处理步骤或文档来源进入 Pipeline，继续使用任务状态、节点日志和失败定位 |
| Agent | 新建人设与技能手册，或注册新的中间件 | 新智能体复用 ReAct 循环、记忆与人工确认，不必改动执行引擎 |
| MCP | 暴露 MCP 工具规范，在 agent.mcp.servers 配置外部 MCP Server |
AgentScope 发现工具并将服务端 Schema 提供给模型 |
扩展的改动主要收敛在新实现和配置中，不必复制一套检索、会话或 Trace 主链路。
这里的生产级特性指项目已经实现生产环境会遇到的关键机制，而不只是功能能跑：
| 特性 | 说明 |
|---|---|
| 流量保护 | Redis ZSET 公平排队，结合 Lua 原子抢占、过期信号量和 Pub/Sub 唤醒 |
| 模型容错 | 多候选模型自动切换，首包超时、空响应或异常时触发降级；三态熔断隔离故障节点 |
| 检索稳定性 | 多通道并行检索，单通道失败不影响主链；按召回、Rerank、TopK 分层控制检索规模 |
| 数据一致性 | RocketMQ 事务消息保障分块可靠执行；支持幂等，远程刷新使用分布式锁和状态机 |
| 可观测与审计 | 记录 Trace Run / Node 的耗时、输入输出和异常；管理端提供趋势、详情及配置变更 Diff |
| 流式体验 | SSE 分事件输出思考、正文、来源和推荐问题；支持全局超时及客户端断开取消 |
| 会话与证据 | 消息持久化和摘要控制上下文；保存引用来源，支持原文预览、追问和反馈 |
| Agent 执行保障 | 上下文按水位裁剪与压缩，长期记忆跨会话沉淀；写操作可配置人工确认，支持执行中断 |
| 安全基础 | Sa-Token 认证、数据归属校验、上传限流、参数校验和统一异常处理 |
Ragent 提供覆盖普通用户与管理员用户的 React 控制台，不只是聊天页面，也把检索证据和运维入口暴露出来。
系统通过多轮 AI 辅助设计优化，在保证功能完整性的同时，提供更加现代化和友好的交互体验。
v2 面向 Agent 任务提供完整的执行过程视图。模型思考、工具调用、并行批次和最终回答会按时间线实时展开，任务做了什么、耗时多久都能直接看到。
遇到下单、修改数据等写操作时，系统会先展示操作内容和原始参数，用户确认后才会继续执行。
v1 保留更轻量的知识问答界面，适合检索路径固定、以答案和引用为主的场景。用户可以直接输入问题，也可以通过示例问题快速体验，并按需开启深度思考模式。
- 支持自然语言输入
- 支持示例问题快速填充
- 支持深度思考模式
用户提交问题后，模型会实时生成回答结果，并提供良好的阅读体验：
- 支持 Markdown 格式渲染
- 支持图片内容展示
- 支持代码高亮显示
- 支持回答来源、原文预览和推荐追问
- 支持回答评价（点赞 / 点踩）
管理员可以通过后台查看仪表盘，管理知识库与 Chunk、知识图谱、意图树、查询词映射、入库任务、示例问题、用户和系统设置，并查看 RAG Trace 与业务变更日志。
管理后台界面截图（点击展开）
v2 新增 Agent 运行概览，集中展示活跃会话、工具调用成功率、人工确认和上下文压缩等指标，运行状态和问题分布可以直接查看。
同时接入 Langfuse，可按会话查看模型推理、工具调用、耗时与 Token 消耗，方便定位 Agent 链路中的具体问题。
v1 管理后台侧重 RAG 配置和运行管理，覆盖模型、知识库、数据集、Trace 等常用功能。
控制台围绕实际使用和排障流程持续打磨，在功能完整的基础上，尽量把复杂能力做得直观、易用。
Ragent 定位于 Java AI 应用的源码级工程参考，重点是完整链路、生产保障和二次开发能力。
| 对比维度 | 常见 RAG 教程 / Demo | Ragent |
|---|---|---|
| 项目定位 | 跑通检索与生成 | 完整 Java Agentic RAG 应用 |
| 检索 | 单路向量 TopK | 向量 / 关键词 / 图谱 / 联网召回，RRF 融合与 Rerank |
| 问题理解 | 原问题直接检索 | 查询词映射、问题重写与拆分、树形意图和多知识库路由 |
| 模型调用 | 单模型直连 | 模型档位、首包探测与熔断降级 |
| 工具接入 | 以应用内函数调用为主 | MCP 协议、远程工具发现、Schema 校验与写操作人工确认 |
| 智能体 | 无或单轮函数调用 | ReAct 多轮推理、技能体系、执行中断与恢复 |
| 知识入库 | 一次性脚本 | 可编排 Pipeline、节点日志、远程文档定时刷新 |
| 会话记忆 | 以近期消息拼接为主 | 最近 N 轮消息 + 持久化摘要；Agent 侧三层上下文管理 |
| 回答可信度 | 只展示答案 | 来源引用、原文预览与用户反馈 |
| 运行保障 | 基础日志 | 分布式限流、幂等、事务消息、Trace 与审计 |
| 监控指标 | 通用调用量与耗时 | 基于 LangFuse 提供个性化指标，覆盖链路质量、工具调用等 |
| 二次开发 | 流程写死 | 模型、存储、检索、入库和 MCP 均提供扩展接口 |
| 管理能力 | 无或简单页面 | 完整用户端与管理后台 |
一句话：学完 Ragent，你既能跟面试官聊 RAG/Agent 的技术深度，也能证明自己的 Java 工程化水平。
能学到什么 / 适合谁？（点击展开）
Ragent 不只是教你调 API，而是让你理解一个 Agentic RAG 系统从 0 到 1 落地的全过程。粗略来说，你能收获这些：
- RAG 全链路工程能力：文档解析、分块策略、Embedding 向量化、意图识别、问题重写与拆分、多路检索、重排序、Prompt 组装、流式生成，每个环节怎么做、为什么这么做。
- Agent 智能体实战：ReAct 执行引擎、MCP 工具调用、技能体系、三层上下文记忆、人工确认，这些是 AI 应用区别于传统 CRUD 系统的核心能力。
- 模型工程化实践：模型档位、多候选路由、首包探测、熔断降级，解决模型不稳定时如何保障服务可用性。
- 高质量 Java 工程能力：分层架构、设计模式实战、分布式并发限流、多线程池管理与上下文透传、全链路追踪，这些能力不局限于 AI 项目，放到任何 Java 后端岗位都是加分项。
- 前后端完整项目经验：后端 Spring Boot 4 + 前端 React 18，从 API 设计到页面交互，完整的全栈项目经历。
校招同学：
- Java 后端方向的在校生：简历上已经有了商城、外卖等常规项目，需要一个有区分度的项目来拉开差距。Ragent 能让你在面试中聊 AI + 工程化，而不是千篇一律的 CRUD。
- 想转 AI 应用方向的同学：对大模型感兴趣，但不想从 Python 和算法入手。Ragent 基于 Java 技术栈，学习曲线平滑，不需要额外切换语言生态。
- 准备实习/秋招/春招的同学：大厂校招越来越看重候选人对新技术的敏感度，简历上有 AI 项目经验，能直接证明你的学习能力和技术视野。
社招同学：
- 1-3 年经验的 Java 开发：日常写业务代码，想往 AI 方向转型但不知道从哪下手。Ragent 的技术栈你都熟悉，学的是 AI 应用层的东西，上手快、能落地。
- 3-5 年经验的后端开发：技术能力不差，但面试被问到 AI 相关问题答不上来，少了一个谈薪筹码。通过 Ragent 补上 RAG、Agent、MCP 这些知识点，面试时能聊得有深度。
- 想跳槽到 AI 团队的开发者：越来越多的 JD 要求有 AI 相关经验，Ragent 能帮你快速建立 RAG 系统的全局认知，面试时不再只是纸上谈兵。
原因很简单：对项目质量足够自信。架构设计、代码实现、工程规范，每一行都经得起审视。好不好你 clone 下来自己看——目录结构、提交记录、注释规范，全是明牌。
开源背景与价值（点击展开）
之前做拿个 offer 社群时，第一个业务系统 12306 选择了开源，收获了
市面上不少项目只敢放几张截图、讲几个概念，真正敢把代码全部摊开的并不多。Ragent 敢这么做，是因为前面讲的那些能力——多路检索、意图识别、模型容错、全链路追踪——不是 PPT 里的架构图，是你能跑起来、能断点调试、能逐行阅读的真实代码。
开源对你来说意味着什么：
- 源码即文档：想了解某个模块怎么实现的，直接翻代码，比任何教程都准确、都及时。
- 本地可调试：断点打到任意一行，跟着一次请求走完整个 RAG 链路，比看架构图理解得深十倍。
- 可参与贡献：发现 Bug 提 Issue，有优化思路提 PR。参与一个企业级 AI 开源项目，本身就是简历上的亮点。
- 持续迭代更新：项目会持续演进，Star 和 Watch 之后能第一时间获取新特性。
如果屏幕前的亦菲/彦祖觉得项目还不错，点个 Star 支持一下，这是对开源作者最好的认可！