做了个企业级 AI 智能体项目，让面试官彻底的闭嘴

最近把自己做的 Super Agent 开源了，一个 Java 技术栈的企业级 AI 智能体平台，分享一下做这个项目过程中的思考。

GitHub地址链接：https://github.com/java-up-up/super-agent

先说说这个项目解决了什么问题

面试被问 RAG、Agent、MCP 的时候，大多数人能说出概念，但一追问细节就卡住了。原因很简单——大家学 AI 的方式基本是跟着教程调 API，跑通一个 Demo 就觉得会了。

但 Demo 和能上线的系统之间，差的不是代码量，是对每个环节的深入理解。

Super Agent 就是把这些"真正会遇到的问题"都实现了一遍：从用户输入一句话，到系统给出靠谱的回答，中间每一个环节都有完整的设计。

一条消息进来，系统到底做了什么

很多人以为 RAG 就是"检索 + 生成"两步。实际上用户发一条消息，在 Super Agent 里要经过这些环节：

第一关：问题预处理（五步前置编排器）

用户的原始问题往往不适合直接检索。"那它怎么配置？"——"它"是什么？得结合上下文才知道。所以系统先做五步处理：

1. 加载会话记忆，恢复对话上下文
2. 意图识别 + 问题改写，把省略的信息补全
3. 歧义检测，信息不足时主动追问而不是硬猜
4. 子问题拆分，复合问题拆成最多 4 个独立子问题
5. 知识域收缩，把检索范围从全库缩小到具体文档

第二关：决定用哪种方式回答（三层执行器）

不是所有问题都该走同一个流程：

• 问题信息不足 → 歧义澄清执行器，先追问
• 知识库能回答 → RAG 知识问答执行器，证据驱动生成
• 需要联网/多步推理 → ReAct Agent 执行器，自主循环

优先用最稳定的方式，只有真正需要自由探索时才启动 Agent。

第三关：找到最相关的文档（三级知识路由）

不是直接全库检索，而是先走三级漏斗：领域 → 主题 → 文档，通过语义 + 词法 + 关键词实体混合打分，自动锁定最相关的文档。置信度不够时主动降级，不硬猜。

第四关：双通道并行检索

用户问一个配置项名，向量检索可能完全找不到——语义相似度对精确匹配天然弱势。所以用两路并行：向量检索（PGVector）+ 关键词检索（Elasticsearch），通过 RRF 融合排序，可选接 Rerank 精排。

检索粒度用 Child 小块保命中率，回答阶段聚合到 Parent 大块保上下文完整性。

第五关：组装回答

证据太多会撑爆模型上下文，没有证据会让模型凭空编造。所以有两个机制：

• 证据预算控制：单子问题上限 2200 字符，总预算 5200 字符
• 无证据短路：找不到相关证据直接告知用户，不让模型编造

几个我觉得比较有意思的设计

影子路由观测

用户手动选文档时，系统在后台静默跑一遍完整的知识路由，对比"系统会选什么"和"用户实际选了什么"，把命中率、置信度、候选排名全部记录下来，用于持续优化路由模型。整个过程对用户完全无感。

Neo4j 文档结构图谱

每份文档在索引构建时，同步在 Neo4j 里生成 Document → Section → Item 的三层图结构，支持章节编号定位、邻接遍历、子节点展开。检索不再只靠向量匹配，还能沿着文档结构精准导航。

ReAct Agent 的安全防护

Agent 最怕死循环。单次请求：模型调用上限 8 次、工具调用上限 6 次；单次会话：模型调用上限 40 次、工具调用上限 30 次。工具失败时指数退避重试（200ms-1200ms，最多 2 次），最终失败统一兜底，不把异常抛给用户。

集群级会话锁

Redis 租约互斥 + JVM 任务注册，防止同一条消息被多个实例重复处理。执行过程中自动续期，防止长对话超时后被其他实例抢占。

完整能力一览

▪ 五步前置编排器：意图识别 → 问题改写 → 歧义澄清 → 子问题拆分 → 知识域收缩

▪ 三层执行器动态路由：歧义追问 / RAG 知识问答 / ReAct Agent，按场景精准分流

▪ 三级知识路由漏斗：Scope → Topic → Document，语义 + 词法 + 关键词实体混合打分，置信度不足主动降级

▪ 双通道混合检索：PGVector 向量检索 + Elasticsearch 关键词检索并行，RRF 融合排序，可选 Rerank 精排

▪ Parent-Child 块聚合：检索用 Child 小块保精度，回答用 Parent 大块保完整性

▪ 证据预算控制与无证据短路：多子问题证据严格裁剪，无证据时直接告知用户，架构层面杜绝幻觉

▪ ReAct Agent 完整实现：联网搜索 + 工具调用 + 多步推理 + Checkpoint 持久化 + 多层安全防护

▪ Neo4j 文档结构图谱：Document → Section → Item 三层图结构，章节编号定位、邻接遍历、子节点展开

▪ 影子路由质量观测：后台静默对比路由结果，记录命中率和置信度，持续优化闭环

▪ 三种会话记忆策略：无记忆 / 滑动窗口 / 摘要压缩，平衡 Token 成本和上下文完整性

▪ MCP 工具协议：动态工具发现 + 多工具编排 + 安全沙箱，新增工具零改动

▪ 组合式切块引擎：结构切块（主干）+ 递归分块（兜底）+ 语义分块（优化）+ LLM 智能切块（增强），自动推荐最优组合

▪ 集群安全：Redis 租约互斥 + JVM 任务注册 + 租约续期，防止多实例重复处理

▪ 全链路可观测：基于 AOP 的全链路 Trace，思考过程、检索通道、证据来源、工具调用全部可视化

技术选型

适合谁

• 校招同学：简历上有商城、外卖这类常规项目，需要一个有区分度的 AI 项目拉开差距
• 1-3 年社招：想往 AI 方向转型，技术栈熟悉，学的是 AI 应用层的工程化设计
• 3-5 年社招：面试被问 AI 相关问题答不上来，通过项目补上 RAG、Agent 这些知识点

学完之后，面试中聊 RAG、Agent、MCP 能真正聊得有深度，不只是背概念。

感兴趣的同学可以把项目下载下来，体会一下