TAgent 是一个基于 Spring Boot + DDD 分层的 AI 智能体学习平台，核心目标是把「模型调用、Agent 编排、MCP 工具、RAG 检索、记忆系统、观测与成本统计」串成一套可以本地运行、可以继续扩展的工程样例。
本仓库是重新整理后的公开版本：已移除日志、临时报告、历史对话、个人文档、备份 SQL、浏览器状态、私有凭据和真实密钥。所有敏感配置都使用环境变量占位符。
- Auto Agent：自动分析任务、规划步骤、调用工具、质量检查和总结输出。
- Flow Agent：按固定步骤拆解任务，支持 DAG 并行执行。
- RAG 检索：支持 PgVector 语义检索、Elasticsearch BM25、混合检索与 rerank。
- 记忆系统：支持短期会话记忆、长期记忆、情节记忆和工作记忆扩展。
- MCP 工具：支持 SSE 和 stdio 两类 MCP 工具接入。
- 可观测性：支持日志结构化、Prometheus 指标、Grafana 看板、Jaeger Trace。
- 安全增强：包含敏感工具审批、PII 脱敏、输出审核、幂等请求和限流能力。
flowchart TB
User["用户 / 前端页面"] --> Trigger["trigger 接口层"]
Trigger --> Domain["domain 领域层"]
Domain --> Router["策略路由 / 意图识别"]
Domain --> Memory["记忆系统"]
Domain --> Rag["RAG 检索"]
Domain --> Tool["MCP 工具调用"]
Domain --> LLM["LLM / Embedding / Rerank"]
Memory --> MySQL["MySQL"]
Memory --> Redis["Redis"]
Rag --> PgVector["PostgreSQL + pgvector"]
Rag --> ES["Elasticsearch"]
Tool --> MCP["MCP Servers"]
Trigger --> Observe["观测接口"]
Observe --> Grafana["Grafana / Prometheus / Jaeger"]
| 模块 | 说明 |
|---|---|
ai-agent-station-study-api |
对外接口、DTO、统一响应对象 |
ai-agent-station-study-app |
Spring Boot 启动类、配置、静态页面、MyBatis 映射 |
ai-agent-station-study-domain |
Agent 编排、执行策略、RAG、记忆、安全与路由逻辑 |
ai-agent-station-study-infrastructure |
数据访问、Repository、外部存储适配 |
ai-agent-station-study-trigger |
HTTP Controller、任务触发、管理接口 |
ai-agent-station-study-types |
通用类型、异常、任务调度基础能力 |
docs/dev-ops |
本地部署、数据库脚本、观测组件和 MCP 配置样例 |
mcp-server-hmdp / mcp-servers |
MCP 服务示例 |
sequenceDiagram
participant U as 用户
participant C as AiAgentController
participant D as AgentDispatchService
participant R as UnifiedAgentRouter
participant A as AutoAgentExecuteStrategy
participant L as LLM
participant T as MCP Tools
participant M as Memory/RAG
U->>C: POST /api/v1/agent/auto_agent
C->>D: dispatch(agentId, message, sessionId)
D->>R: 判断意图和执行策略
R-->>D: auto / flow / fixed
D->>A: 执行 Auto Agent
A->>M: 读取上下文、记忆和检索结果
A->>L: Step1 分析任务
A->>L: Step2 规划执行
A->>T: 调用 MCP 工具
A->>L: Step3 质量检查
A->>L: Step4 总结输出
C-->>U: SSE 流式响应
flowchart LR
Query["用户问题"] --> Rewrite["Query Rewrite"]
Rewrite --> Decide["RAG Router"]
Decide -->|需要检索| Hybrid["Hybrid Retriever"]
Decide -->|无需检索| Chat["直接进入对话"]
Hybrid --> Vector["PgVector 语义召回"]
Hybrid --> BM25["Elasticsearch BM25"]
Vector --> Rerank["Cross-Encoder / LLM Rerank"]
BM25 --> Rerank
Rerank --> Context["组装上下文"]
Context --> Agent["Agent 执行"]
Chat --> Agent
Agent --> Store["写入会话记忆 / 长期记忆 / 事件日志"]
请先启动外部依赖服务：
- MySQL：默认
127.0.0.1:13306 - PostgreSQL + pgvector：默认
127.0.0.1:15432 - Redis：默认
127.0.0.1:16379 - Elasticsearch：默认
127.0.0.1:9200 - Logstash：默认
127.0.0.1:4560 - Jaeger OTLP：默认
127.0.0.1:4318
敏感信息通过环境变量注入，不要写入仓库：
LLM_API_KEY=your-llm-key
EMBEDDING_API_KEY=your-embedding-key
OPENAI_API_KEY=your-openai-compatible-key
GITHUB_PERSONAL_ACCESS_TOKEN=your-github-token
GRAFANA_API_KEY=your-grafana-key
CSDN_API_COOKIE=your-csdn-cookie
WEIXIN_API_APP_SECRET=your-weixin-secretmvn "-Dmaven.test.skip=true" package说明：项目内包含较多端到端测试和 MCP 验证测试，需要完整外部服务与私有账号环境。普通构建建议跳过测试；需要压测或验收时再单独运行指定测试类。
java -jar ai-agent-station-study-app/target/ai-agent-station-study-app.jar默认激活 dev 配置，服务端口为 8099。
启动后可访问：
- 健康检查：
http://localhost:8099/actuator/health - 前端页面：
http://localhost:8099/index.html - Agent 配置页：
http://localhost:8099/agent-config.html - 观测页：
http://localhost:8099/observe.html
GET /api/v1/agent/query_available_agentsPOST /api/v1/agent/auto_agent
Content-Type: application/json
Accept: text/event-stream{
"aiAgentId": "3",
"message": "请总结一下当前系统的核心能力",
"sessionId": "session_demo_001",
"maxStep": 5
}响应使用 SSE 格式返回，前端可按 data: 行解析 JSON 内容。
公开仓库中不应包含：
- 真实 API Key、Access Token、Cookie、私钥；
- 本地
.local-config、IDE 配置、浏览器状态； - 运行日志、崩溃日志、压测报告；
- 个人历史对话、面试资料、临时 Markdown；
- 生产或个人数据库备份。
本仓库已经按上述规则清理，后续提交前建议继续执行敏感信息扫描。