SpringBoot + LangChain4j 企业级 RAG 智能知识库与多工具集成

3.2 Agentic 智能体对话

基于 LangChain4j Agentic 架构，实现自主决策与工具协作：

• 记忆机制：MessageWindowChatMemory，滑动窗口管理最近 2 × context-window-size 条消息（默认 20 条）。
• 内置工具集（Agent 自主调用）：
  • searchKnowledge()：向量知识库检索
  • readFile() / listDirectory() / searchFiles()：MCP 文件系统操作
  • calculate()：数学表达式求值（exp4j）
  • calculateAmortization()：贷款摊销计划
  • getIRR() / getBondPrice() / getOptionPrice()：金融专用计算
  • getCurrentTime() / getWeather()：实时信息查询
• 执行追踪：AgentExecutionInfo 记录完整思考链，前端可展示'Agent 正在读取文件...调用 Black-Scholes...'。

3.3 混合模型路由策略

通过 ModelRouterService 实现智能分流：

✅ 安全兜底：若未配置 DashScope API Key，自动 100% 路由至本地 Ollama。

3.4 MCP 风格文件沙盒

受 Model Context Protocol (MCP) 启发，实现安全文件交互：

• 路径隔离：所有文件存于 uploads/{conversationId}/，按会话隔离。
• 安全防护：
  • 限制根目录（mcp-allowed-directory）
  • 防目录遍历（.. 被规范化）
  • 大文件（>5KB）自动截断预览

典型场景：

用户上传《信访政策.pdf》 → Agent 调用 readFile() 读取 → 结合 searchKnowledge() 检索知识库 → 对比分析合规性。

3.5 现代化前端界面

5 个功能页面，统一采用渐变设计 + 毛玻璃效果：

4. 快速启动与配置

4.1 本地全栈运行

# 1. 启动 Ollama 并拉取模型
ollama serve
ollama pull qwen2.5:7b
ollama pull qwen3-embedding:0.6b

# 2. 启动 Qdrant
docker run -d -p 6333:6333 -p 6334:6334 qdrant/qdrant

# 3. 运行应用
mvn spring-boot:run

# 4. 访问系统
open http://localhost:8080

4.2 关键配置 (application.yaml)

# 模型路由（生产建议 BUSINESS_TYPE）
model-router:
  strategy: BUSINESS_TYPE
  business-type:
    aliyun-types: [COMPLEX_QUERY, LONG_CONTEXT]
    local-types: [SIMPLE_QA, TOOL_CALLING]

# RAG 参数
rag:
  chunk-size: 500
  chunk-overlap: 50
  max-results: 5
  min-score: 0.5

# Agent 安全沙盒
agent:
  context-window-size: 10
  mcp-allowed-directory: ./uploads # 严格限制！
  mcp-file-enabled: true

🔑 DashScope 配置：设置环境变量 DASHSCOPE_API_KEY 即可启用云端模型。

5. 企业级细节与扩展点

• 金融计算深度支持：
  • 投资分析：IRR（牛顿法）、NPV、摊销计划
  • 债券：定价、到期收益率（YTM）、久期、凸度
  • 期权：Black-Scholes 模型 + Greeks（Delta/Gamma/Vega）
• 领域知识管理：支持 TECHNOLOGY、FINANCE 等 10+ 领域，异步处理入库。
• 可扩展建议：
  • 安全：反向代理层增加上传大小限制，收紧 mcp-allowed-directory
  • 可观测性：将 AgentExecutionInfo 接入日志系统，构建完整审计链
  • 前端：当前静态页可无缝替换为 React/Vue SPA，后端 SSE 接口已就绪

6. 结语：为什么这个项目值得尝试？

'不是 Demo，而是基于已有企业级实现剥离出来的可落地的企业级知识底座。'

• 全栈私有化：Ollama + Qdrant + SQLite，无外部依赖；
• Agentic Ready：不止问答，更能自主调用工具、分析文件、执行计算；
• 场景覆盖广：从通用 RAG 到金融/政务等垂直领域；
• 开箱即用：5 分钟启动，5 个页面覆盖核心需求；
• 灵活扩展：模型、工具、路由策略均可插拔。

无论是搭建内部知识库、智能客服，还是探索 Agentic AI 应用，这个项目都提供了生产级参考实现。

近期规划：MCP 智能体 × 企业运维生态

项目目标提供各种 AI 实际能力，目前正在开发 MCP（Model Context Protocol）智能体在自动化运维场景的深度集成，目标是构建一个具备自主感知、诊断与操作能力的 AI 运维助手。目前已规划对接以下核心系统，实现可插拔的 AI 能力：

• 代码与协作：GitLab（PR 分析、CI 状态查询）、飞书文档（故障复盘知识检索）
• 日志与监控：阿里云日志服务（SLS）、ClickHouse（高性能日志分析）、SkyWalking（分布式链路追踪），CAT（美团开源的监控平台）
• 基础设施：Kubernetes（Pod 状态、事件查询、资源扩缩容建议）
• 命令执行：安全沙盒化的 cat / grep / kubectl 等类 CLI 工具调用
• arthas：线上 Pod JVM 等数据收集

通过统一的 MCP 工具接口，智能体可跨系统关联上下文——例如：

'用户反馈服务变慢' → 自动查询 SkyWalking 链路 → 定位慢接口 → 拉取 Kubernetes Pod 日志 → 分析 ClickHouse 中的错误日志聚合 → 生成根因假设。

智能归因引擎 正在开发中，未来将支持基于多源数据的自动根因定位与修复建议，真正实现 '观测即行动' 的 AIOps 闭环。