Hi，我是马丁。
不管你现在做的是业务系统还是中间件，面试多多少少都会被问到 AI 相关的东西。RAG 是什么？Agent 怎么实现？用过 MCP 吗？这些问题越来越高频。AI 不再是锦上添花，而是基础配置。
之前我发了 Ragent 项目介绍，和大家聊了 RAG 在实际落地中的复杂度。很多同学看完表示想上手体验，但一看部署文档——MySQL、Redis、Milvus、RocketMQ、Nacos……一堆中间件，还没开始学就先劝退了一半。
所以这次，我直接把示例网站搭好了，你打开浏览器就能玩。
🔗 示例网站地址：http://ragent.nageoffer.com
📦 GitHub 开源地址：https://github.com/nageoffer/ragent
先别急着看代码，来体验一下
与其让我在这里吹 Ragent 有多牛，不如你自己去试试。下面我挑几个典型场景，带你感受一下这个系统的能力边界。
场景一：MCP 工具调用——让 AI 帮你干活
RAG 系统如果只能查知识库，那跟搜索引擎有啥区别？真正有价值的是：AI 能调用外部工具，帮你查数据、做事情。
Ragent 集成了 MCP 协议，可以对接各种业务系统。来看两个例子：
统计销售数据
用户提问：
销售数据统计，如：销售总额、销售量、销售占比、销售趋势、销售预测等
AI 会自动识别这是一个需要调用业务系统的请求，提取参数，调用对应的 MCP 工具，把数据拿回来，再用自然语言组织成回答。
查询天气预报
用户提问：
广州和深圳未来5天的天气怎么样？
同样的逻辑——识别意图、提取参数、调用天气 API、返回结果。整个过程对用户完全透明，就像在跟一个能查资料的助手聊天。
这背后的技术细节：意图识别 → MCP 工具匹配 → LLM 参数提取 → 工具执行 → 结果整合。每一步都有对应的设计，后续源码解读会详细拆解。
场景二：打个招呼，看看 AI 怎么介绍自己
不是所有问题都需要检索知识库。有些是闲聊，有些是系统交互。Ragent 能区分这些意图，给出恰当的回应。
用户提问：
你是谁？
这种系统级的问题，走的是专门的意图分支，不会傻傻地去知识库里搜“你是谁”然后检索出一堆无关内容。
场景三：情绪回复——AI 也懂点人情世故
用户在问答结束后说：
答得不错
或者：
谢谢
如果 AI 还去知识库里搜索答得不错，那就完犊子了。Ragent 能识别这类情绪性/社交性的表达，给出自然的回应。
这个能力看似简单，但很多 RAG 系统做不好。原因是它们把所有输入都当成检索请求来处理，缺少意图识别这一层。
场景四：会话记忆——上下文不丢失
多轮对话是 RAG 系统的难点之一。看这个例子：
用户：OA 系统数据安全怎么做的？
AI：OA系统数据安全措施围绕“xxxx”这一核心目标……
用户：保险系统呢？
AI：保险系统的数据安全措施围绕“xxxx”的纵深防御目标……
第二轮用户只说了“保险系统呢”，但 AI 知道你问的是保险系统，不是保险系统数据安全怎么做的。
Ragent 的会话记忆不是简单地把历史对话全塞给模型。那样 Token 成本扛不住，模型也容易被早期不相关的内容干扰。它用的是滑动窗口 + 自动摘要压缩的机制，既保留关键上下文，又控制成本。
场景五：意图澄清——不确定就问清楚
这是我觉得 Ragent 做得比较用心的一个点。
假设知识库里有两个领域：OA 系统和保险业务，两边都有数据安全相关的内容。用户问：
数据安全怎么做的
如果系统硬猜一个，很可能猜错，全回答可能互相混淆答案。Ragent 的做法是：识别到意图模糊，主动引导用户澄清。
AI：您想咨询的是以下哪个方面的数据安全规定？
- OA 系统数据安全规范
- 保险业务数据安全合规要求
这背后是一套树形意图分类体系。意图树支持多级结构（领域 → 类目 → 话题），识别置信度不足时触发澄清流程，而不是硬着头皮给一个可能错误的答案。
场景六：后台管理系统
点击左上角可以进入管理后台，这里能看到 Ragent 的完整管理功能：
知识库管理：查看已入库的文档、分块数据、向量化状态
意图树编辑：了解 Ragent 的树形意图分类体系是怎么组织的
入库任务监控：查看文档从上传到可检索的完整 Pipeline 执行过程
链路追踪：每次对话请求经过的每个环节（重写、意图识别、检索、生成）都有详细的 Trace 记录
系统设置：模型配置、检索参数等系统级别的配置项
通过管理后台，你能看到一个企业级 RAG 系统在运维层面需要具备哪些能力，这些不是 Demo 项目会有的东西。
还有更多能力，一笔带过
篇幅有限，还有一些能力没展开讲，但 Ragent 都做了完整实现：
能力
说明
分布式限流
基于 Redis 的队列式限流，支持排队、超时、SSE 状态推送
模型负载均衡
多模型候选、优先级调度、自动降级切换
熔断降级
三态熔断器，模型挂了自动切到备用
全链路追踪
每次对话的每个环节都有 Trace 记录
文档入库流水线
可编排的 Pipeline，支持多种文档格式
问题重写与拆分
口语化问题展开、复杂问题拆解
这些能力组合在一起，才构成了一个企业级的 RAG 系统，而不是一个跑通 Demo 就收工的玩具。
为什么要搭示例网站？
说实话，搭这个示例站是有成本的——服务器、模型 API 调用、运维精力。但我还是决定做，原因有几个：
- 降低体验门槛
很多同学想学 RAG，但被部署环节劝退。Docker、中间件、配置文件……还没开始看代码就先折腾半天环境。有了示例网站，打开浏览器就能体验核心功能，先建立直观感受，再决定要不要深入。
- 让你知道好的 RAG 系统长什么样
市面上大部分 RAG 教程都是 Demo 级别的——调个 API、塞进向量库、让模型生成答案。三板斧下来，以为自己会了。
但真正的 RAG 系统要处理的问题多得多：用户问得模糊怎么办？多轮对话上下文怎么管理？模型不稳定怎么容错？这些问题在 Demo 里看不到，但在生产环境里会把你按在地上摩擦。
示例网站让你亲眼看到一个完整的 RAG 系统是怎么工作的，哪些细节是 Demo 教程不会告诉你的。
- 对项目质量的自信
敢把系统直接开放出来让大家体验，本身就是一种态度。不怕你试，试完你就知道这项目是不是值得学。
示例网站怎么玩？
访问地址：http://ragent.nageoffer.com
首页就是对话界面，输入框下面有示例问题标签，点一下就能自动填充，方便快速体验。
几个建议的查询体验路径：
先查看 MCP 工具调用：问天气、问销售数据，感受 AI 调用外部工具的能力
再试试多轮对话：连续追问几个问题，看会话记忆是否生效
故意问得模糊一点：看系统会不会主动引导你澄清
问完之后说谢谢：看情绪回复是否自然
体验完之后，如果你对背后的实现感兴趣，再去翻源码，会更有方向感。
考虑到担心模型本身被盗刷，示例网站目前仅开放查询相关功能。根据历史对话以及后管相关配置，也能体验系统。
项目开源地址
Ragent 是完全开源的，代码、文档、架构图全部公开。
📦 GitHub：https://github.com/nageoffer/ragent
如果你觉得项目还不错，去 GitHub 点个 Star 支持一下，这是对开源作者最好的认可。
写在最后
这篇文章的目的很简单：让你先体验，再决定要不要学。
示例网站摆在那里，打开就能玩。觉得有意思，再去看源码、看教程；觉得不适合自己，关掉就完事，不浪费彼此时间。
后续我会继续更新 Ragent 的源码解读和技术教程，从 RAG 原理到 MCP 协议，从向量检索到模型容错，目标是帮你建立一套完整的 AI 工程认知。
目前加入星球仍有优惠，扫码添加马哥好友，备注“优惠券”，即可领取专属福利。
声明：来自马丁玩编程，仅代表创作者观点。链接：https://eyangzhen.com/6807.html
