RAG Agent Platform

把知识库、Agent 与 MCP 工具放进一套可自托管工作流。

用 Spring Boot、Next.js 与 LangChain4j 组织检索、对话和工具调用；数据、模型与基础设施始终由你掌控。

简体中文 · English

在线演示：39.97.58.27/explore

功能 · 快速开始 · 界面预览 · 工作原理 · 部署说明 · 项目范围 · 文档

从文档入库、向量检索到面向用户的 Agent 对话，这个项目把一套 RAG 应用需要的核心路径放在同一控制台：
创建知识库，配置模型与 Agent，再让 Agent 使用已配置的 MCP 工具。它适合希望自主控制数据与部署方式的团队，
并提供部署在阿里云的在线环境，方便直接体验主要流程。

_{在一个工作区中管理知识库、Agent、模型提供商与 MCP 工具。}

功能

能力	你可以完成什么
知识库与检索	上传和处理文档，以 PostgreSQL + PGVector 承载向量检索，并将知识库接入 RAG 问答。
可配置 Agent	配置模型提供商、管理并发布 Agent，并通过 SSE 取得流式对话响应。
MCP 工具接入	让 Agent 接入已配置的 MCP gateway 与工具容器；当前页面不提供完整工具导入流程，运行前需手动配置 gateway 与容器。
自托管控制	使用 Spring Boot、Next.js、RabbitMQ、S3 兼容对象存储和外部模型服务部署自己的工作流。

快速开始

前置条件

Java 17 与 Maven 3.9+
Node.js 20 与 pnpm
PostgreSQL 14+，并安装 vector 扩展
RabbitMQ 3.13+
S3 兼容对象存储（例如七牛 KODO）
已配置的模型 / 重排模型服务与 SMTP 服务
使用容器化 MCP 工具时需要 Docker

1. 准备服务与配置

创建数据库并启用 PGVector：

createdb agentx
psql -d agentx -c "CREATE EXTENSION IF NOT EXISTS vector;"
psql -d agentx -f docs/sql/01_init.sql

启动 RabbitMQ。以 .env.example 为参照创建 .env，填写数据库、RabbitMQ、对象存储、模型和 SMTP
相关配置；随后通过 shell 或 IDE 运行配置将这些值提供给后端。Spring Boot 不会自行加载仓库根目录的
.env 文件：

cp .env.example .env

在 frontend/.env.local 中配置浏览器可见的服务地址：

NEXT_PUBLIC_API_URL=http://localhost:8088/api
NEXT_PUBLIC_WS_URL=ws://localhost:8088/api

2. 启动应用

在仓库根目录启动后端：

mvn spring-boot:run

另开一个终端启动前端：

cd frontend
pnpm install
pnpm dev

打开 http://localhost:3000。后端健康检查地址为
http://localhost:8088/api/health。

界面预览

知识库列表 _{从同一入口浏览和组织可用于检索的知识库。}	知识库详情 _{查看文档处理状态与知识库内容。}
模型提供商配置 _{为 Agent 配置可用的模型服务。}	已发布 Agent _{使用其他用户已发布的 Agent 进行对话。}

工作原理

flowchart LR
    Browser["Next.js 前端"] --> API["Spring Boot API"]
    API --> Agent["Agent 与对话服务"]
    API --> RAG["RAG 服务"]
    Agent --> LLM["已配置的 LLM 服务"]
    Agent --> MCP["MCP 网关与工具容器"]
    RAG --> Queue["RabbitMQ 文档处理"]
    RAG --> Data["PostgreSQL + PGVector"]
    RAG --> Storage["S3 兼容对象存储"]
    Agent --> Data

浏览器通过 Next.js 控制台访问 Spring Boot API。文档处理任务经 RabbitMQ 异步运行并写入 PGVector；
Agent 结合已配置的模型服务、知识检索与 MCP 工具，当前对话流通过 SSE 返回给前端。

区域	实现
后端	Java 17、Spring Boot 3.2.3、LangChain4j
前端	Next.js 15、React 19
数据	PostgreSQL 14+ 与 PGVector
异步任务	RabbitMQ
文件存储	S3 兼容对象存储
流式响应	Server-Sent Events (SSE)

部署说明

仓库内的 Docker Compose 是作者部署参考，不是开箱即用的公共一键安装：它依赖外部配置的 PostgreSQL
和对象存储，前端镜像使用私有镜像仓库，也没有提供 MCP 网关配置。请将它作为部署起点，并按自己的基础设施
补齐配置。

项目范围

本项目以自托管为主，同时提供部署在阿里云的在线演示供体验。
对话流当前使用 SSE。
Agent 可以接入已配置的 MCP gateway 与工具容器；当前页面不提供完整工具导入流程，运行前需手动配置 gateway 与容器。
在生产环境使用前，请先审阅仓库配置与全部基础设施要求。

文档

文档	内容
文档索引	所有技术文档的入口
系统架构	技术栈、分层与数据流
RAG 模块	文档处理、向量检索与 RAG 链路
Agent 模块	Agent 生命周期与工具集成
API 参考	REST、WebSocket 与 SSE 接口
数据库初始化	PostgreSQL 与 PGVector 初始化脚本

参与贡献

欢迎提交 Issue 和 Pull Request。请描述问题、运行环境及已完成的验证。

rag-agent-platform