RAG-Agent是一个基于 RAG 架构的企业级 AI 知识库项目，包含完整的源码和教程。
一、RAG-Agent简介
RAG-Agent 是一个 AI 知识库项目，下个版本计划加入 MCP 和 Agent。
二、RAG-Agent的技术栈
先说后端的：
-
框架/依赖管理 : Spring Boot 3.4.2 (Java 17)+Maven
-
数据库 : MySQL 8.0 + Spring Data JPA
-
缓存 : Redis
-
搜索引擎 : Elasticsearch 8.10.0
-
消息队列 : Apache Kafka
-
文件存储/解析 : MinIO + Apache Tika
-
安全认证 : Spring Security + JWT
-
AI 集成 : DeepSeek API/本地 Ollama+豆包 Embeddin g
-
实时通信 : WebSocket
-
响应式编程 : WebFlux
后端的整体项目结构：
前端其实用到的技术栈也非常新，包括：
-
框架 : Vue 3 + TypeScript
-
构建工具 : Vite
-
UI 组件 : Naive UI
-
状态管理 : Pinia
-
路由 : Vue Router
-
样式 : UnoCSS + SCSS
-
图标 : Iconify
-
包管理 : pnpm
前端的整体项目结构：
三、RAG-Agent的技术架构
下面这张图与 RAG-Agent RAG 知识库比较吻合，我贴在这里供大家参考。
底层使用 DeepSeek 大模型。业务流程是：将企业私有的 Word、PDF、txt 文件上传到 RAG-Agent 后，系统会自动进行向量化处理，并支持大文件断点续传和分片上传。分片状态保存在 Redis 的 BitMap 中，文件本身存储在 MinIO 中。
具体来说，系统会使用 Apache Tika 从文档中提取出纯文本信息，然后将长文档智能切分成多个语义完整的文本块。
接下来调用豆包的 Embedding 模型，将文本块转换成 2048 维的向量表示，这些向量能够捕捉文本的深层语义信息。然后，会将所有的向量数据和原始文本存入到 Elasticsearch 中，形成一个强大的知识库索引。
当用户提出问题后，RAG-Agent会通过 ElasticSearch 进行混合检索：先进行语义的向量搜索，再进行关键词的精排。同时，会根据用户的组织权限，自动过滤出用户有权访问的文档内容。
之后，系统会将这些信息作为上下文，连同用户的问题一起发送给 DeepSeek。DeepSeek 会基于我们封装好的 Prompt，生成准确、相关的回答。整个对话过程采用流式输出，用户可以实时看到 AI 的回答过程，体验很流畅。
四、如何给面试官介绍RAG-Agent？
答：
RAG-Agent作为一个基于 RAG 架构的企业级 AI 知识库系统，其核心意义在于解决现代企业知识管理的痛点，推动组织智能化转型。在信息爆炸的时代，企业积累了大量文档资料，但传统的文件管理方式导致知识孤岛现象严重，员工难以快速获取所需信息，严重影响工作效率。
RAG-Agent通过集成 Apache Tika 文档解析、豆包 Embedding 向量模型、Elasticsearch 混合检索技术和 DeepSeek API，构建了一套完整的智能知识处理流水线。
系统能够自动解析 Word、PDF、TXT 等文档，将非结构化信息转化为可检索的知识资产。更重要的是，基于语义理解的向量检索技术突破了传统关键词匹配的局限，用户通过自然语言描述就能够获得要检索的相关内容。
与依赖预训练的模型不同，RAG 能够实时检索最新的企业内部知识，避免模型幻觉，保持回答的准确性。除此之外，RAG-Agent还实现了细粒度的多租户权限控制，确保不同部门和层级的用户只能访问授权范围内的知识。流式的 AI 聊天功也能让知识获取更加自然和高效。
那假如面试官继续追问：你对 RAG 技术了解多少？你可以这样作答。
RAG，也就是检索增强生成，是当前 AI 领域的一项重要技术，它巧妙地结合了信息检索和文本生成两大能力。简单来说，RAG 就是让 AI 在回答问题时，先去”查资料”，然后基于查到的相关信息来生成回答，而不是仅凭训练时的记忆来”凭空想象”。这种方式能有效解决大语言模型的幻觉问题。
在我参与的RAG-Agent项目中，我们深度实践了 RAG 的技术架构。具体来说，我们的系统分为三个核心环节：
-
首先是知识入库阶段，我们使用 Apache Tika 解析各种格式的企业文档，然后调用豆包的 Embedding 模型将文本转换为向量表示，并存储到 Elasticsearch。
-
其次是检索阶段，当用户提问时，我们同样将问题向量化，然后在 Elasticsearch 中进行混合检索，既包括传统的关键词匹配，也包括基于向量相似度的语义搜索，确保能找到最相关的知识片段。
-
最后是生成阶段，我们将检索到的相关文档作为上下文，连同用户问题一起发送给 DeepSeek，让 AI 基于真实的企业知识来生成准确的回答。
通过RAG-Agent项目的实践，我深刻体会到 RAG 技术的价值所在。它不仅解决了大模型知识更新滞后的问题，更重要的是为企业级 AI 应用提供了可靠的技术路径。这种”有据可查”的 AI 问答方式，让企业用户能够放心地将 RAG 系统应用到实际业务场景中，真正实现 AI 技术的落地。
五、RAG-Agent提供了哪些大模型开发经验？
01、RAG
RAG-Agent最核心的能力就是 RAG，后面还打算增加 MCP 和 Agent 能力，可以说覆盖了整个大模型应用开发的落地经验，并且我们会围绕 RAG 把 AI 相关的一些高频面试题全部讲透。
02、文档上传和解析
如何上传文档？包括断点续传和分片上传。
如何将用户上传的文档转化为可检索的语义向量？
如何通过 ElasticSearch 实现混合检索，包括关键词搜索与语义搜索？
都是 RAG 非常核心的内容模块。
// 文档处理流程：解析 → 分块 → 向量化 → 存储
public void vectorizeFile(MultipartFile file, String userId, String orgTag, boolean isPublic) {
// 1. 文档解析和分块
List<String> chunks = fileParsingService.parseAndChunk(file);
// 2. 批量向量化
List<float[]> vectors = embeddingClient.batchEmbedding(chunks);
// 3. 构建文档对象
List<EsDocument> documents = buildDocuments(chunks, vectors, metadata);
// 4. 批量存储
elasticsearchService.bulkIndex(documents);
}
传统的数据库内容查询主要依赖”关键字匹配”，比如说 MySQL 经常用到的 like xxx% ，这种对查询的精确度要求很高，假如我们查询的是”如何提供编程技术”，那么数据库只有”Java、Python 等编程语言的教程”，那么就无法搜索到任何内容。
但向量数据库就可以有效解决这个问题，它会把各种知识都转成一组组数据（vector），这些 vector 可以代表知识的内容和特点，当我们在 RAG 知识库中输入要查找的信息时，系统能将输入信息也转成一组组数据，然后找出最相关的知识，从而实现”语义检索”。
那基于向量知识库的语义检索，虽然解决了传统关键词匹配的局限性，但显然关键词搜索这种场景还是需要的，所以RAG-Agent兼具了关键词检索和语义检索两种能力。
03、集成 DeepSeek 和豆包 Embedding
集成大模型 API 的工程实践，比如说如何集成 DeepSeek，实现流式响应与多轮对话？
如何集成豆包 Embedding 进行文档分块的语义转化？
再比如说如何通过 WebSocket 实现实时通信，逐步推送生成内容？
如何通过 Redis 实现的多轮的对话记忆？
都是 AI 时代非常关键的技术能力。那除了调用 DeepSeek API，我们还支持本地私有的 DeepSeek R1 模型部署。
六、RAG-Agent提供了哪些企业级技术栈？
01、Spring Boot 3.4.2+JDK17
RAG-Agent基于 Spring Boot 3.4.2 版本，使用 Java 17 作为开发语言。
02、Kafka+Redis+MinIO
RAG-Agent通过 Kafka 实现异步任务调度，使用 Redis 缓存优化对话上下文管理，基于 MinIO 实现大文件分片上传与断点续传。
03、ElasticSearch
集成 Elasticsearch，实现「关键词+语义」的双引擎搜索。目前已经通过 ES 的 bool should 查询实现了关键词+语义的搜索方式。
04、Vue 3+TypeScript+Vite
RAG-Agent全面采用了 Vue 3 的 Composition API。
状态管理采用了 Pinia 这一 Vue 3 官方推荐的状态管理库，相比 Vuex 具有更好的 TypeScript 支持和更简洁的 API 设计。状态管理的模块包含主题管理（theme）、路由管理（route）、标签页管理（tab）、认证管理（auth）、应用状态（app）等。
在 vite.config.ts 中，RAG-Agent配置了完整的开发和生产环境构建策略。Vite 的配置支持环境变量加载（ loadEnv ），实现了不同环境下的差异化配置，如开发环境的代理设置、生产环境的优化策略等。
整个前端采用了 Monorepo 架构，在 frontend/packages 目录下组织了多个独立的功能包，包括 axios 封装、颜色工具、hooks 库、UI 组件、工具函数等。特别值得关注的是 index.ts 中的 HTTP 客户端封装，项目基于 axios 实现了企业级的请求库，支持请求/响应拦截、错误处理、请求取消、重试机制等高级功能。
05、JWT+Spring Security+RBAC
基于 JWT+Spring Security 实现的多租户认证授权体系。当用户登录时，系统会从数据库查询用户信息，然后将用户 ID、角色、组织标签（orgTags）和主组织标签（primaryOrg）等关键信息都打包到 Token 中。
RAG-Agent的多租户权限控制设计了三个层级，非常贴合企业的实际需求。第一层是私人空间权限，以”PRIVATE_“前缀标识的组织标签，只有资源的创建者才能访问，保证用户个人数据的绝对安全。第二层是组织权限，同一个组织标签下的用户可以共享资源，满足团队协作的需求。第三层是公开权限，标记为公开的资源所有用户都能访问，适用于公司公告、共享文档等场景。
06、Mockito+TDD
项目采用了 Mockito 注解驱动的测试模式，践行测试驱动开发（TDD）的理念，每个业务功能都有对应的测试用例，包括正常流程和异常流程。通过 @Mock 注解创建模拟对象，比如 UserRepository，这样就不需要真实的数据库连接， @InjectMocks 注解则自动将模拟对象注入到被测试的服务类当中，这种依赖注入的方式让测试变得非常干净和独立。
