Ragent

项目简介

Ragent 是基于 Java 的知识库与 Agent 平台，支持文档入库、知识检索和流式回答，提供固定问答 Workflow 与 Agent 工具调用两条执行路线。

如何写进简历

面试题与回答

1. 意图识别使用什么模型，意图识别树如何组织？

   展开收起

   核心回答

   Ragent 这条链使用 LLM 对候选叶子节点打分，意图树负责组织业务分类和执行所需的配置。树从 Redis 加载，缓存缺失时查询数据库并重建；识别时展开树，把当前模式允许的叶子节点及其路径、描述、示例一次性放进提示词，而不是从根节点开始逐层调用分类模型。

   这里选择可配置的 Workflow 模式说明：仓库部署配置的 ragent.engine.type 默认为 agent，两条入口不能混为同一流程。Workflow 的意图候选包含知识检索类 KB 和系统交互类 SYSTEM；另一条 Agent 入口的知识工具只识别 KB，不会把系统应答混进知识库选择。

   实际调用什么模型

   意图分类器通过统一的 LLMService.chat() 同步调用模型，构造系统提示词和用户问题，并设置较低的 temperature、top_p，关闭思考模式。它没有在分类器中写死一个专用分类模型，而是由 RoutingLLMService、ModelSelector 根据默认 standard 档位选择模型，再调用对应供应商的适配客户端。

   固定版本的配置中，standard 的首个候选是 qwen3.8，对应百炼的模型名 qwen3.8-27b；后续登记了 qwen-plus、deepseek-flash 和本地 qwen3 等回退候选。实际使用的模型由启用状态和路由结果决定。模型配置与路由服务共同决定这条调用链。

   供应商客户端适配请求与返回，例如百炼客户端复用基于 OkHttp 的聊天请求实现，并处理供应商的思考开关。

   意图树怎样保存与加载

   数据库节点用 intentCode、parentCode 表达父子关系，加载时只取未删除且已启用的节点，先建立节点映射，再连接父子节点，并生成从根到叶的 fullPath。节点有名称、描述、示例问题和层级标识；叶子还可以关联知识库与逻辑集合、检索条数及提示配置。树的层级可以按业务组织，不要求所有分类都固定为同样深度。

   例如“业务系统 > OA 系统 > 数据安全”这样的路径，既能帮助维护者区分同名主题，也能连同描述和示例一起进入分类提示词。kind=KB 表示知识检索，kind=SYSTEM 表示问候、助手身份或反馈等系统交互，两者后续处理不同。

   每次分类会读取 Redis 中的树；缓存不存在或读取失败时，再从数据库加载并回写缓存。管理端增删改节点后会清理缓存，使后续读取重新加载。这是数据库配置、缓存与请求内候选结构的分工，不能把“树在缓存里”理解为树只存在内存中，也不能把读缓存说成每次都查数据库。实现见树加载与组装和数据库节点重建。

   怎样从叶子评分走到检索或应答

   流程先结合会话历史改写问题并拆分子问题，再对每个子问题分别做意图识别。分类器提取符合当前模式的叶子候选，将 id、完整路径、描述、示例和类型放进同一份提示词，请模型返回带 id、score 的 JSON 数组。提示词里虽然有判断步骤，但不是服务端沿树每层发起一次模型调用。

   收到结果后，代码只接受本次候选集合中的 ID，忽略不存在或当前模式不可用的节点，按分数排序；IntentResolver 再做最低分过滤与候选数量限制。模型调用失败或返回无法解析时，分类器返回空意图。这些分数是模型给出的相关性评分，不是经过校准的正确概率。 候选白名单校验也只限制可选节点，不能证明选中的分类一定正确。具体见候选构造与结果解析。

   分类之后，固定流水线先检查是否需要澄清：例如多个系统下都有“数据安全”主题，结合候选路径和歧义判断，可以先让用户选择系统。只有所有子问题都各自仅命中一个 SYSTEM 意图时，才进入系统应答分支；其余请求进入知识检索流程。固定流水线负责这个顺序。

   知识意图用于选择检索范围，低分或无有效知识意图时，当前实现可以退回有效知识库的全局检索；分数足够时采用命中范围，并保留补充范围。因此，空意图不等于必然拒答，命中意图也不等于权限校验已经完成。验证这条链应分别看候选分类、检索范围和最终回答，用明确实体、同名主题、未知请求及模型返回非法 ID 等样本定位错误，而不是只统计模型有没有返回一个分类。

2. 多数据源并发召回为什么使用专用线程池，如何隔离共享线程池风险？

   展开收起

   核心回答

   Ragent 的固定问答流程会先改写、拆分问题和识别意图，再并发召回相关知识片段，融合后交给模型生成回答。本例按 ragent.engine.type=workflow 说明固定问答流程。固定版本默认配置为 agent，由另一个 AgentScope Agent 入口通过知识工具复用检索模块，两条主线应分别说明。

   这条路线把子问题编排、通道召回和内部取数放进不同的专用执行器，减少对全局共享池的依赖；但不同检索源并没有各自独占一个池。它还提供通道超时与空结果降级，能放弃慢通道结果，不能据此认为底层任务已经停止或请求总耗时一定不超过该值。

   三层线程池分别承担什么？

   检索模块的输入是子问题、意图作用域与召回预算，输出是供融合、重排和上下文组装使用的知识片段。

   • ragContextExecutor 按子问题并发构建检索上下文。
   • ragRetrievalExecutor 并发执行当前启用的向量、关键词、图谱或网页通道。通道是否参与，仍受后端配置和开关控制。
   • innerRetrievalExecutor 承担通道内部的并行取数，例如向量和关键词的补充路，以及需要逐库执行的向量检索。

   线程池配置中，前两者的线程数均为可用 CPU 数的四倍，使用不存储任务的 SynchronousQueue；内部取数池的核心数为两倍、最大数为四倍，队列容量为 100。三者都使用 CallerRunsPolicy。这些是当前实现的配置，是否适合部署环境仍需结合任务扇出、连接池和负载验证。

   这种划分分开了编排与子任务使用的执行资源，但向量、关键词等通道仍共享通道池，主路与补充路也共享内部池。若某个外部源经常超时，进一步按依赖设置独立池或并发额度，属于可评估的改进，不是已有的每源隔离能力。

   超时和降级具体怎样生效？

   多通道引擎先提交各通道任务，分别挂上 orTimeout，再等待结果；超时或异步失败会转换为空通道结果，让其余结果继续融合。各任务先并发提交，后面逐个 join() 不等于按顺序才开始查询。

   超时处理没有取消底层任务。向量、关键词补充路的异常也分别转换为空列表，正常返回的主路候选仍可保留。

   还有一个饱和边界：代码先调用 supplyAsync(..., executor)，返回后才配置超时。若触发调用者执行，supplyAsync 可能在提交线程中执行慢查询，直到它返回后才挂上计时；后续通道的提交也会被延后。因此，配置中的通道超时不是整次请求的硬截止，调用者执行还会突破“任务只占专用池工作线程”的设想。

   怎样验证隔离是否有效？

   验证需要同时看结果与资源占用，可以用可控的检索替身注入慢响应、异常和正常结果，再逐步增加并发：

   • 单源变慢： 检查健康通道的候选是否仍进入融合、超时是否被记录；继续观察返回后的活动线程和连接，确认后台任务何时真正结束。
   • 线程池饱和： 检查任务是否在调用者线程运行、后续通道提交是否延迟，以及队列等待和端到端 P95／P99 是否上涨。SynchronousQueue 没有积压长度，不能只靠队列为零判断系统有余量。
   • 补充路失败： 检查主路候选是否保留；全部通道无可用证据时，固定流程应结束并提示未检索到相关文档，而非继续生成知识答案。
   • 持续负载与恢复： 关联提交／完成速率、活跃线程、排队时间、拒绝或调用者执行次数、超时率和连接等待。恢复依赖后，确认过期任务没有持续挤占新请求。

   这些检查分别回答“返回是否按预期降级”和“资源是否真正受到约束”；仅看到接口及时返回，不能证明慢源已经被隔离。

3. RRF 如何融合向量检索与 ES 结果？

   展开收起

   核心回答

   Ragent 的 Java Workflow 在知识检索后，按“去重、加权 RRF 融合、截断候选、可选模型重排”处理多路结果。去重保证同一片段只保留一份；RRF 根据它在各通道中的原始名次累计贡献，避免直接比较向量相似度与 BM25 分数；重排模型再阅读问题与候选内容，判断哪些片段更能回答问题。

   以向量加 ES 关键词检索为例，需要先配置启用关键词后端和通道。该版本默认 rag.keyword.type=none，关键词通道也默认关闭，不能把这条双路融合写成默认运行状态。

   去重以后，怎样保留多路贡献

   MultiChannelRetrievalEngine 保存各通道的 SearchChannelResult，并将后置处理器按顺序执行。DeduplicationPostProcessor 的顺序为 1，用 RetrievedChunkKey 放入 LinkedHashMap，同键片段保留首次出现的对象。键优先取片段 id，缺失时使用文本的 SHA-256 摘要；两路索引应使用一致的片段标识，才能正确对齐。去重处理器、片段键。

   去重处理的是输出对象，原通道列表仍然保留。例如片段 A 同时命中向量和关键词通道，去重后只有一个 A，但融合时仍能分别找到它在两路中的名次，不会因为只保留一个对象而丢掉另一路贡献。

   加权 RRF 怎样实现

   FusionPostProcessor 的顺序为 5。它遍历每条原通道列表，按片段键累计：

   score(chunk) = Σ channelWeight / (rrfK + rank)
   

   源码循环下标从 0 开始，所以计算用 weight / (k + rank + 1)。得到所有贡献后，把融合分写回去重后的片段，再按融合分降序排列。这里用的是各通道原始召回名次，不是去重后的遍历顺序，也不是原始相似度分数。融合计算。

   rrfK 控制名次之间的贡献差异，通道权重控制各路贡献大小，两者作用不同。当前配置的 rrf-k 为 20，向量和关键词权重均为 1.0；它们是该版本配置值，是否适合具体知识库仍应评估。只有一条通道时，处理器跳过跨路融合，保留原顺序并执行候选截断。检索与融合配置。

   候选截断与模型重排怎样分工

   融合后按 candidateLimit 截断候选池，控制送入重排阶段的数量。RerankPostProcessor 的顺序为 10，开启时把当前子问题、候选片段和 contextTopK 传给重排服务；后者决定内容相关性的排序及返回条数。若使用 NoopRerankClient，则仅截取前若干条，没有模型重新评分。候选截断、可选重排、无模型重排实现。

   重排调用抛出异常时，多通道引擎会捕获异常并跳过该处理器，后续流程继续使用当时已有的候选。这里没有重排自动重试，返回候选也不代表本次完成了模型精排。处理器异常分支。

   这条链路区分三段预算：recallBudget 是各通道召回的基数，candidateLimit 是融合后的候选上限，contextTopK 是后续上下文的条数预算。检索结果格式化时也会使用 contextTopK，因此不能把三者合成一个含义模糊的 Top-K。预算定义、上下文装配。

   怎样验证这套实现有价值

   固定文档、问题集和检索范围，分别比较向量单路、关键词单路、融合，以及融合后加模型重排。先检查正确证据是否进入各路，再看融合排名、候选截断和精排各淘汰了什么，最后比较答案、引用和延迟。

   加权 RRF 实现简单，不需要校准不同通道的原始分数，但会舍弃分数差距，也可能让噪声通道贡献过高。模型重排能补充内容判断，却无法找回已被候选截断淘汰的片段；扩大候选池又会增加重排成本，应在同一任务集上取舍。

   参考资料

   • 国内：JavaGuide：RAG 检索优化：参考召回、融合、精排与上下文预算分开控制的解释。
   • 国内：Datawhale：Hello-Agents 第八章——记忆与检索：参考扩展检索按稳定标识合并候选及扩大候选池的组织；其多查询向量分数合并不等同本文的异构通道 RRF。
   • 国内：zero2Agent：RAG 与检索系统：参考多路召回、合并与精排的职责，以及按召回和答案分别评估的安排。
   • 国内：BAAI：BGE-M3 模型说明：参考词项与语义信号的互补，以及混合召回后再重排的两阶段取舍。
   • 国外：Microsoft：Hybrid search scoring with RRF：依据倒数名次累加及融合后再语义重排的机制，说明融合与模型重排的区别。
   • 国外：Elastic：RRF retriever：依据名次贡献加权、排名常数和候选窗口的定义，核对算法与参数职责；本项目在 Java 处理器中融合，不依赖 ES 内置 RRF 接口。
   • 国外：Sentence Transformers：Retrieve & Re-Rank：参考高效候选召回与内容交互精排的分工，以及候选规模与模型成本的关系。