nageoffer/ragent

企业级 Agentic RAG 智能体 - 全链路覆盖文档解析、多路检索、意图识别、问题重写、会话记忆、MCP 工具调用与深度思考。面向真实业务场景，从 0 到 1 完整工程实现。

解决的问题

标准的 RAG（检索增强生成）教程通常只涵盖简单的 API 调用，未能解决现实生产环境中的挑战，如复杂的文档解析、检索准确性、模型不稳定性和高并发。Ragent 为这些问题提供了全面的工程解决方案，专门为向 AI 工程转型的 Java 开发人员设计。

工作原理

该平台使用模块化架构来管理整个 AI 应用生命周期：

Hybrid Retrieval：使用 RRF 融合和重排序（reranking）结合向量、关键词、知识图谱和网络搜索结果。
Query Understanding：采用查询重写、拆分、基于树的意图识别和多知识库路由。
Model Management：具有模型分层、首个 Token 检测以及用于故障转移和降级处理的熔断器。
Agentic Capabilities：集成 MCP (Model Context Protocol) 用于工具发现和执行。
Data Pipeline：一个可编排的摄取流水线，用于将各种文档格式处理成可搜索的分块。
Reliability Layers：实现基于 Redis 的公平队列、分布式并发控制和全链路追踪。

适用对象

Java 后端开发人员：希望通过学习生产级 RAG 和 Agent 模式向 AI 工程角色转型的开发人员。
学生/求职者：需要一个复杂的、真实的 AI 项目来使自己的简历区别于标准 CRUD 应用程序的人。
企业开发人员：正在寻求稳健、可扩展的 AI 应用架构参考实现的人员。

亮点

使用 Spring Boot 3 和 React 18 的全栈实现
高级混合检索（向量、Elasticsearch、知识图谱、网络搜索）
生产就绪功能，包括熔断器、分布式限流和幂等性
用于知识库、追踪和模型配置的全面管理控制台
支持用于外部工具集成的 MCP (Model Context Protocol)