本文介绍了作者基于RAG技术手搓的AI Agent项目Nexus Agent包含对话、知识库、文档解析、检索、工具调用、知识图谱和管理端等全链路功能。文章详细阐述了项目中的关键点如前置编排和执行器分流、三级知识路由、多通道检索和融合排序等并展示了知识图谱和摘要树在管理端的实现效果。项目采用Java和Python技术栈分为业务层、通用能力层、基础设施层和Python工具服务提供了全链路观测和代码分层设计。适合初学者和程序员学习大模型开发可下载GitHub代码参考。花费了很长的时间完成了这个 AI Agent 项目名字叫 Nexus Agent。里面有对话、知识库、文档解析、检索、工具调用、知识图谱和管理端。我根据公司中遇到的问题和经验把 RAG 涉及到的全链路功能都自己手搓了出来大家可以下载看一看。GitHubhttps://github.com/java-up-up/nexus-agent项目里有哪些值得展开的地方如果面试官顺着简历往下问我会从下面这些地方展开。每一项都能对应到真实的代码链路前置编排和执行器分流先加载会话记忆再做意图识别、问题改写、歧义判断、子问题拆分和知识范围收缩。信息不足时先澄清知识库能回答的问题走 RAG需要多步探索的问题再进入 ReAct Agent。三级知识路由按照“领域 → 主题 → 文档”逐层筛选候选结合语义、词法和实体信号缩小范围。置信度不够时保守处理不让一次不确定的路由把检索带到错误文档。多通道检索和融合排序向量、关键词、表格、知识图谱和摘要树可以并行召回系统用排名、原始分和通道权重做统一融合再交给 Cross-Encoder 精排。父子块检索子块负责提高命中精度命中后关联父块补齐上下文回答阶段不需要把检索粒度和阅读粒度混在一起。证据预算和引用绑定每轮请求都会限制证据数量和上下文长度。没有可靠证据时直接收口最终引用只能指向本轮展示过、并且能回到原文的来源。结构化文档解析rag-tools 会按文件类型分流TXT、Markdown、HTML 走本地解析PDF、DOCX、XLSX 和图片走 Document Mind。解析结果统一成 blocks同时保留页码、bbox、Markdown 语法树和原始解析产物。结构化表格问答表格会保留行、列和单元格关系查询计划经过白名单校验后才执行回答里的数据可以定位到具体单元格。文档结构图用 Neo4j 保存“文档 → 章节 → 条目”的层级关系支持章节编号定位、标题路径查找、前后节点跳转和子节点展开。GraphRAG 知识图谱Python 抽取实体、关系、社区和证据候选Java 负责同义实体合并、关系去重、来源校验和入库关系类问题可以沿着图谱找到支撑它的原文。RAPTOR 摘要树对长文档做分层聚类和摘要低质量摘要不会进入检索命中摘要后还能继续下钻到原文块适合处理整篇文档的总结问题。ReAct、MCP 和 SkillsAgent 可以按“思考 → 调用工具 → 观察结果”的方式完成多步任务支持联网搜索、MCP 工具和 Skills 扩展工具调用状态会持久化。会话记忆和集群并发支持无记忆、滑动窗口和摘要压缩Redis 租约负责跨实例互斥JVM 内任务注册负责防止进程内重入长任务会自动续租。Java Python 工具服务Java 负责会话、路由、检索融合、证据组织和最终回答Python 通过 FastAPI 提供解析、重排、图谱抽取和 RAPTOR 构建返回的候选和分数还要经过 Java 校验。全链路观测问题改写、知识路由、各检索入口、证据选择、模型调用和 SSE 收尾都会留下 Trace管理端可以直接看到每一段耗时和状态。知识图谱和摘要树在管理端长什么样文档结构图保存的是“文档、章节、条目”这类骨架适合做目录定位和相邻跳转。知识图谱保存的是实体、关系、社区和来源证据适合处理跨段落、跨文档的关系问题。RAPTOR 则把长文档按层聚类和摘要摘要节点低于质量阈值时不会进入检索。三类产物都保留了回到原始 blocks 的来源关系。管理端可以从图上的摘要或关系证据继续下钻到原文。我用到的技术和代码分层后端主要是 Java 17、Spring Boot、MyBatis-PlusPython 侧是 FastAPI、Document Mind、Cross-Encoder、GraphRAG 和 RAPTOR。数据和基础设施包括 MySQL、PostgreSQL / PGVector、Elasticsearch、Neo4j、Redis / Redisson、Kafka、MinIO 和 SSE。代码按业务层、通用能力层、基础设施层和 Python 工具服务拆开。这样做的好处是换一个解析服务不会把聊天主流程一起改掉增加一个检索入口也不用把所有执行器重新写一遍。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取