企业级 RAG 智能体，从 0 到 1 真正落地的 Java 实战项目-新觅源码库

一套真正能落地、经得起推敲的 Agentic RAG 系统，覆盖全链路核心能力。

AI 领域的首个企业级 RAG 项目正式开源。Ragent 不是 Demo，而是从文档入库到智能问答全链路的完整工程实现。无论你是想系统补上 RAG / Agent / MCP 知识，还是想做一个能写进简历、面试聊得起来的 AI 项目，Ragent 都值得一学。

一、项目定位与核心价值

AI 时代，Java 程序员已经躲不过去了。RAG 是什么？Agent 怎么实现？用过 MCP 吗？这些问题越来越多地出现在面试里。Ragent 的定位很清楚：让企业级 RAG 系统从概念变成你能看懂、能调试、能改写的真实代码。

它不是调几个 API 拼出来的玩具，而是覆盖了：多路检索引擎、意图识别与引导、问题重写与拆分、会话记忆管理、模型路由与容错、MCP 工具集成、文档入库流水线、全链路 Trace 等全链路能力。一句话：企业里做 RAG 会遇到的问题，Ragent 都给出了对应方案。

二、技术架构与实现

Ragent 采用前后端分离的单体架构，后端分为四个 Maven 模块：framework 提供通用能力，infra-ai 屏蔽模型供应商差异，bootstrap 专注业务逻辑。

技术栈：Java 17、Spring Boot 3.5.7、React 18、MySQL、Milvus 2.6、Redis、RocketMQ、Apache Tika 等。在工程化方面，Ragent 做了队列式并发限流、8 个专用线程池、三态熔断器、多设计模式落地等生产级设计。

新增检索通道、后处理器、MCP 工具、入库节点、模型供应商，只需实现对应接口并注册为 Spring Bean，零配置即可生效。文档里还整理了 Docker 部署和 CI/CD 实践，适合作为自动化部署的参考。

三、应用场景与解决痛点

痛点一：Demo 与生产差距太大——文档切分、召回率、多路融合、幻觉控制，Ragent 在代码里都给出了方案。痛点二：RAG 远不止「检索 + 生成」——解析、分块、问题重写、意图识别、会话记忆，每一环都有机制。痛点三：单模型、无容错——多模型路由 + 首包探测 + 熔断降级，一个模型挂了自动切换，业务层无感知。

场景延伸：企业内部知识库、客服问答、文档检索、信息孤岛整合，都可以在 Ragent 基础上二次开发。对于做 AI 创业或内部孵化的团队，Ragent 可作为工程底座。

四、系统架构与技术亮点

RAG 核心流程：用户提问 → 问题重写 → 意图识别 → 多路检索 → 后处理流水线 → 模型生成 → 流式输出。文档入库流水线：抓取 → 解析 → 增强 → 分块 → 向量化 → 写入 Milvus，基于节点编排。可扩展性：面向接口编程，零改框架。生产级特性：限流、熔断、全链路 Trace、SSE 流式输出、记忆压缩、认证。

与典型 Demo 相比，Ragent 在检索、意图、问题处理、模型、记忆、入库、可观测、工具、后台等维度都有质的提升。