Super Agent
企业级 AI 智能体 Agent 平台，覆盖智能对话、文档知识问答、联网搜索、RAG 检索、MCP 工具协议、Skills 扩展等完整能力。三层执行器体系、双通道混合检索、组合式切块引擎、会话记忆管理、全链路可观测，每个环节都经过深 度设计和工程化打磨。
Last verified:
What is Super Agent?
Super Agent 是 JavaUp 推出的企业级 AI 智能体对话平台，是一个生产级别的 Java 技术栈实战项目。该项目深入剖析 AI 底层原理与工程化落地，完整覆盖 Agent 智能体、RAG 检索增强生成、MCP 工具协议集成、Skills 能力扩展、会话记忆管理与文档全生命周期治理等核心功能。
Super Agent 采用双通道并行检索（PGVector 向量数据库 + Elasticsearch 关键词搜索）配合 RRF 融合排序，支持问题改写、子问题拆分、知识域收缩等高级 RAG 能力。项目内置 ReAct Agent 智能体循环、联网搜索、工具调用、Checkpoint 持久化，支持三种会话记忆策略（无记忆/滑动窗口/摘要压缩）和四种文档切块策略组合流水线。
这个工具主要面向 Java 开发者、准备大厂面试的程序员、以及想要从"会调 API"进阶到"会做 AI 系统"的技术人员。项目采用分层架构（business/common/framework）、Redis 分布式锁集群安全、全链路 AOP 可观测性，是可以在面试中逐层展开的企业级项目案例。
项目开源托管于 GitHub，提供完整的技术文档、启动指南、设计原则说明，涵盖从工程规范到技术选型考量的全方位知识点。
Super Agent pricing
Pricing model: Freemium
Super Agent 项目本身完全开源免费，GitHub 地址为 https://github.com/java-up-up/super-agent。JavaUp 技术&实战网站提供配套学习文档、视频教程、知识星球社区支持。知识星球付费加入可获得提问答疑、简历优化、实战直播课、VIP 答疑群等服务。项目使用的第三方服务（阿里云 DashScope 大模型、Tavily 联网搜索、SiliconFlow Rerank 服务）需要单独付费订阅。
Super Agent pros
- 双通道检索（PGVector + ES）+ RRF 融合解决纯向量检索精确匹配弱的问题
- 前置编排器五步决策链实现路由判定、问题改写、歧义检测、子问题拆分、知识域收缩
- Redis 租约互斥 + JVM 任务注册两层锁确保集群环境并发安全
- 三种会话记忆策略可插拔切换（无记忆/滑动窗口/摘要压缩）
- 四种文档切块策略组合流水线 + 系统自动推荐，告别固定长度一刀切
- Kafka 异步文档处理流水线，上传秒级完成，后台异步处理
- Parent-Child 块聚合检索，检索用小块、回答用大块提升质量
- ReAct Agent 支持联网搜索、工具调用、Checkpoint 持久化
- 预算裁剪 + 无证据短路机制有效防止 AI 幻觉
- MCP 标准协议支持动态发现、多工具编排、安全沙箱
- Skills 声明式定义（SKILL.md）实现零配置热插拔扩展
- 全链路 AOP 追踪 + 可视化观测面板，问题根因一目了然
- 影子路由静默对比 + 命中率追踪持续优化知识路由质量
- Neo4j 图数据库构建 Document→Section→Item 层级文档图谱
- 三层执行器按场景分流（追问/知识问答/Agent）提升效率
- 完整的设计模式实战落地（策略/工厂/模板/责任链/观察者/AOP）
- Knife4j 增强 Swagger 文档，接口定义即文档
- Spring AI 官方框架深度集成，Java 开发者学习曲线平滑
Super Agent cons
- 需要部署多个中间件（MySQL、PostgreSQL、Redis、Elasticsearch、Neo4j、Kafka、MinIO）
- 技术栈复杂，对初学者入门门槛较高
- 依赖阿里云 DashScope 大模型服务，需要付费订阅
- Tavily 联网搜索服务需要单独申请 API Key
- 项目体量较大，首次构建和启动耗时较长
- 需要 JDK 17 和 Spring Boot 3.5.6 及以上版本环境
- 集群部署需要额外配置 Redis 分布式锁和租约管理
- 文档虽全但中文为主，英文资料较少
Frequently asked questions about Super Agent
Super Agent 和普通 RAG 项目有什么区别？
Super Agent 采用双通道并行检索（PGVector + ES）+ RRF 融合 + 可选 Rerank，而普通项目只有单路向量检索；支持问题改写、子问题拆分、知识域收缩，普通项目直接检索原始问题；有前置编排器五步决策 + 歧义主动追问，普通项目无意图判断；三层执行器按场景分流，普通项目所有问题走同一模型；支持三种记忆策略、四种切块策略组合流水线；有 Kafka 异步流水线、ReAct Agent、证据控制、Parent-Child 块聚合、MCP 协议、集群安全、全链路可观测、知识路由、文档图谱等企业级能力。
为什么使用 PGVector + Elasticsearch 双引擎而不是只用一个？
向量数据库擅长语义理解但对精确匹配弱，倒排索引擅长精确匹配但缺乏语义理解能力，两者互补才能覆盖用户检索的所有场景。PGVector 的优势是和 PostgreSQL 深度集成，既是关系型数据库又支持向量检索，运维成本低。Elasticsearch 是倒排索引领域的工业标准，性能和功能都久经验证。
为什么需要两层锁（Redis 分布式锁 + JVM 级锁）？
只用 Redis 分布式锁能防止跨实例重复处理，但不能防止同一个 JVM 内的并发重入。只用 JVM 级锁能防止进程内重入，但不能防止集群间的重复。两层锁配合使用，才能在分布式环境下确保每条消息只会被一个实例处理一次，即使实例宕机或重启也不会出现数据不一致。
如何新增一个检索通道或切块策略？
新增检索通道：实现检索通道接口，注册为 Spring Bean，自动参与双通道检索。新增切块策略：实现切块策略接口，可加入组合流水线的任意位置。新增记忆策略：实现记忆策略接口，系统自动识别并可配置使用。不需要改框架代码，加个实现类就完事了，这才是面向接口编程和插件化架构的正确方式。
文档处理流水线是如何工作的？
文档处理包括解析、策略推荐、切块、向量化、索引构建等阶段。使用 Kafka 做异步解耦，上传操作秒级完成，后续处理在后台异步进行。Kafka 提供可靠的消息投递保证，即使处理实例宕机也不会丢失任务。每个阶段遵循统一模板：前置检查 → 核心逻辑 → 状态更新 → 日志记录，确保一致性和可追踪性。
会话记忆有哪几种策略？如何选择？
三种策略：无记忆（不带上下文）、滑动窗口（保留最近 N 轮对话）、摘要压缩（对历史对话进行摘要压缩）。系统通过配置项决定使用哪种策略，运行时通过工厂方法获取对应实现。如果需要新增基于 RAG 的长期记忆，只需新增一个实现类，不需要修改任何已有代码，符合开闭原则。
前置编排器的五步决策链是什么？
五步决策链包括：路由判定 → 问题改写 → 歧义检测 → 子问题拆分 → 知识域收缩。每一步都是独立的处理节点，节点之间通过链式调用串联。这种设计使得每个节点可以独立开发和测试，可以灵活调整执行顺序，可以按需跳过某些节点，新增决策步骤只需要加一个节点不影响已有流程。
全链路可观测性包含哪些维度？
编排决策（路由结果、改写前后对比、子问题列表）、检索过程（各通道命中数、分数分布、融合结果）、证据评估（证据数量、质量评分、预算使用情况）、模型调用（输入 Token 数、输出 Token 数、响应延迟）、工具调用（调用次数、成功率、平均耗时）、端到端延迟（各阶段耗时、总延迟）。全部可视化呈现在管理后台的观测面板中。
MCP 协议在项目中如何工作？
MCP（Model Context Protocol）是标准工具协议，支持动态发现、多工具编排、安全沙箱。部署符合 MCP 协议的 Server，Agent 自动发现并注册。相比硬编码 Function Call，MCP 协议更灵活、更标准，支持工具的热插拔和动态扩展。
项目启动需要准备哪些中间件？
需要安装 MySQL（业务数据库）、PostgreSQL + PGVector（向量数据库）、Elasticsearch（关键词搜索引擎）、Neo4j（图数据库构建文档图谱）、Redis（分布式缓存）、Redisson（分布式 Redis 工具）、Kafka（异步消息队列）、MinIO（对象存储）。项目地址为 https://github.com/java-up-up/super-agent，需要 JDK 17 环境。