假期刚完老板就下了死命令“派聪明现在只能 RAG 问答你现在立刻马上给它升级成 Agent要能自己 tool use、自己 ReAct 那种。限你一天。”一天我立马就甩脸色一天你当 Agent 是装个插件就搞定的事但反抗无效。老板不懂技术只知道市面上“Agent”满天飞所有的项目都必须和 Agent 挂钩。我真笑嘻嘻了兄弟姐妹们有多少想扇老板的举个爪好在我之前肝了一个类似 Claude Code 的 Agent 项目名叫 PaiCLI。这玩意从第 1 期的 ReAct 循环到现在第 10 期能连上 Chrome Devtools MCP。已经是一个完整的 Agent CLI 产品里面的工具调用、决策循环、记忆管理、MCP 集成全部跑通了。掏出 Claude Code DeepSeek V4 / Codex GPT-5.5开干。跟着做的小伙伴需要提前准备好 Claude Code Opus 4.7或者 Codex GPT-5.5 也行或者 Claude Code GLM-5.1。01、派聪明 RAG 是什么派聪明是一个 RAG 知识库Spring Boot 3.4 Elasticsearch 8.10 DeepSeek API。核心流程就四步用户提问 → 混合检索 → 拼装上下文 → 大模型生成回答。整个问答入口在ChatHandler.java关键方法是processMessagepublic void processMessage(String userId, String userMessage, WebSocketSession session) { // 1. 拿到对话历史 ListMapString, String history getConversationHistory(userId); // 2. 混合检索向量相似度 BM25 关键词 ListSearchResult results hybridSearchService .searchWithPermission(userMessage, userId, 5); // 3. 把检索结果拼成上下文 String context buildContext(results); // 4. 调 DeepSeek 生成回答流式返回 deepSeekClient.streamResponse(userId, userMessage, context, history, chunk - sendToWebSocket(session, chunk));}  检索用的是 HybridSearchService策略是先用 KNN 向量搜索拉 30 倍候选集再用 BM25 重打分最后做权限过滤 plaintext public ListSearchResult searchWithPermission(String query, String userId, int topK) { // KNN 向量搜索30x 候选窗口 BM25 重打分 SearchResponse response elasticClient.search(s - s .index(knowledge_chunks) .knn(k - k.field(embedding).queryVector(embedQuery(query)) .numCandidates(topK * 30).k(topK * 5)) .query(q - q.bool(b - b .should(textMatch(query)) .filter(permissionFilter(userId)) )), SearchResult.class ); return parseResults(response, topK);}在没有升级 Agent 之前用户说“帮我把知识库里关于 Spring AI 的文档整理成一份摘要”派聪明只能做一次检索然后把原文片段返回给用户不能进一步判断“检索到了多少篇要不要合并整理成结构化摘要”。这就是 RAG 和 Agent 的根本区别RAG 是被动问答Agent 是主动决策加执行能自己动手干活。02、给 RAG 加上工具调用升级的第一步让系统能调用工具去执行操作。原理很简单给大模型配一组 Tool工具每个 Tool 定义好名称、功能描述、输入参数。大模型接收到用户的问题之后先判断“这个问题是应该检索知识库回答还是应该调用某个工具来执行”。PaiCLI 的ToolRegistry已经把这套模式跑通了我们直接参考它的注册方式大模型要根据描述来判断该不该调用这个 Tool所以描述的质量直接决定了 Agent 的决策准确率。描述写得含糊大模型就可能选错工具。在派聪明的基础上我们需要注册这几个 Tool知识库文档搜索 Tool跟现在的 RAG 检索功能一样但包装成了 Tool 的形式让 Agent 按需调用。tools.put(search_knowledge, new Tool( search_knowledge, 在知识库中搜索相关文档片段返回最匹配的结果, createParameters( new Param(query, string, 搜索关键词, true), new Param(topK, integer, 返回结果数量默认5, false) ), args - { int topK args.containsKey(topK) ? Integer.parseInt(args.get(topK)) : 5; ListSearchResult results hybridSearchService .searchWithPermission(args.get(query), currentUserId, topK); return formatSearchResults(results); }));摘要生成 Tool对检索到的多篇文档片段生成结构化摘要这是一个典型的“需要多步协作”的 Tool先搜索再总结。答案反馈 Tool用户对回答质量的评价会存入 Redis后续可以用来调整检索权重和 Prompt 策略。知识库统计 Tool的逻辑类似就不贴完整代码了。理解了原理之后直接上 Claude Code/Codex。在 PaiSmart 项目根目录下执行在派聪明项目中新建 AgentToolRegistry 类注册 4 个 Tool1. search_knowledge - 描述在知识库中搜索与用户问题相关的文档片段仅在用户明确需要查询知识库内容时调用 - 参数query(string, 必填), topK(integer, 可选, 默认5) - 执行逻辑调用现有的 HybridSearchService.searchWithPermission()格式化返回结果2. generate_summary - 描述对指定主题的知识库文档生成结构化摘要适合用户要求整理、总结、归纳时调用 - 参数topic(string, 必填), maxDocs(integer, 可选, 默认5) - 执行逻辑先调用 HybridSearchService 检索相关文档再调用 DeepSeekClient.summarize() 生成摘要3. submit_feedback - 描述当用户对回答表示满意或不满意时调用记录用户反馈用于优化后续回答质量 - 参数rating(string, 必填, good/bad), reason(string, 可选) - 执行逻辑写入 Redis Hashkey 为 feedback:{userId}field 为时间戳value 为评价原因4. knowledge_stats - 描述返回当前知识库的统计信息包括文档总数、片段总数、最近更新时间 - 参数无 - 执行逻辑查询 Elasticsearch 的 index stats MySQL 的 document count注意- Tool 的描述要从大模型理解的角度写避免模糊描述导致误调用- generate_summary 内部会二次调用大模型做总结注意和外层 ReAct 循环的调用区分开  这一步完成之后派聪明就从“只能回答问题”变成了“能主动干活”。 用户说“帮我整理总结一下知识库里关于 RAG 的内容最多用 3 个相关片段输出结构化摘要”Agent 会自主调用 generate_summary 这个 Tool先检索 3 个片段再二次调用模型生成结构化摘要页面已展示“核心结论 / 关键依据 / 可执行建议 / 待确认问题”。  用户说“我对刚才这个检索结果满意原因是返回数量和主题都符合要求”Agent 会调用 submit_feedback 记录反馈。  03、加上 ReAct 决策循环 ---------------- ReAct 是 Reasoning Acting 的缩写。 核心思想是让 Agent 进入一个循环**思考该做什么 → 执行操作 → 观察结果 → 再思考下一步**直到任务完成。  PaiCLI 的 Agent.java 里有一个非常清晰的 ReAct 循环实现核心逻辑大概 100 行  这段代码的关键在于 while(true) 循环。每一轮循环里大模型会根据当前的对话历史包含之前所有的思考过程和工具执行结果来决定是继续调用工具还是直接给出最终回答。 在派聪明的场景下一个典型的多步任务长这样 **用户说**“帮我搜一下知识库里有没有 RAG 相关的文档有的话整理成一份摘要。”  **Agent 的决策过程** 第一轮循环——思考用户想知道知识库里有没有 RAG 的内容我应该先搜索一下。于是调用 search_knowledge 工具参数 queryRAG。 第二轮循环——观察到搜索返回了 4 篇相关文档。思考有内容用户要求整理成摘要我应该调用 generate_summary 工具。于是调用摘要生成参数 topicRAG。 第三轮循环——观察到摘要生成完毕。思考任务完成了我可以把摘要返回给用户了。于是输出最终回答包含一份结构化的 RAG 知识摘要。 **三轮循环零人工干预Agent 自己完成了“搜索 → 判断 → 总结”的全过程。**  这里有一个很重要的细节**预算控制**。 PaiCLI 用 AgentBudget 来防止 Agent 无限制执行设定了最大循环次数比如 10 次和 token 上限。超了就强制退出避免死循环。 另一个兜底机制是在 System Prompt 里明确告诉大模型**如果不确定该怎么做直接问用户不要瞎猜。** 这一条非常关键能避免 Agent 在不确定的情况下调用了错误的 Tool比如误删文档。 PaiCLI 里还有一个设计值得学习Tool 执行支持并行。ToolRegistry 内部用 ExecutorService 管理并行度最多同时跑 4 个 Tool单个 Tool 超时 90 秒自动中断。当大模型在一轮循环里同时请求多个 Tool 调用比如同时搜索三个不同分类的文档这些调用会并行执行而不是排队等。  继续上 Claude Code/Codex提示词 plaintext 加入 ReAct 决策循环改造要点1. 在调用 DeepSeekClient 时把 AgentToolRegistry 中注册的 Tool 定义转成 DeepSeek API 的 tools 参数格式function calling 格式2. 检查 DeepSeek 返回的 response 中是否有 tool_calls 字段3. 如果有 tool_calls执行对应的 Tool → 把执行结果作为 tool message 加入 conversationHistory → 继续循环4. 如果没有 tool_calls说明大模型认为任务完成输出最终回答退出循环5. 加预算控制6. 保留现有的 WebSocket 流式推送。每轮循环的 Tool 调用过程也通过 WebSocket 推给前端 格式为 JSON{type: tool_call, tool: search_knowledge, status: executing}7. Tool 执行异常时不要中断循环把异常信息作为 tool message 返回给大模型让它重新思考关键实现细节- conversationHistory 的消息格式需要兼容 DeepSeek 的多轮对话格式 system / user / assistant(含 tool_calls) / tool(含 tool_call_id content)  04、加上 Memory 管理 --------------- Agent 要真正好用还需要有记忆能力。 派聪明现在的多轮对话是把最近几轮对话拼到 Prompt 里这种方式有两个问题上下文窗口有限历史太长就得截断跨会话记忆完全丢失。  PaiCLI 的记忆系统分两层设计得很清晰 **短期记忆**管理当前任务的执行上下文。Agent 在一个多步任务中需要记住前面几步做了什么、结果是什么才能正确决策下一步。  当 token 预算超了不是简单地砍掉最早的对话而是把早期记忆压缩成摘要。这样 Agent 既不会忘记关键信息又不会撑爆上下文窗口。 **长期记忆**跨会话持久化存在本地 JSON 文件里。  在派聪明的场景下记忆管理可以做这些事情 短期记忆用来管理 ReAct 循环的执行上下文。 长期记忆可以记住用户的偏好和习惯。比如 Agent 记住某个用户经常查询“产品手册”相关的文档下次这个用户提问的时候可以优先从产品手册分类里检索提高命中率。这个用向量数据库存储用户的历史交互摘要就行按语义检索最相关的历史上下文。 继续上 Claude Code第三条提示词 plaintext 给派聪明加上记忆管理短期记忆1. 复用 ReAct 循环的 conversationHistory 作为短期记忆2. 加一个 token 计数器每轮循环前检查 conversationHistory 的 token 总量3. 判断上下文总 token 超过多少时触发压缩保留最近 3 轮完整对话更早的对话调用大模型生成摘要替换4. 压缩后的摘要作为一条 system message 插入 conversationHistory 开头长期记忆基于 Redis2. 当用户强制要求记忆时从当前会话的 conversationHistory 中提取关键信息 - 用户问了哪些类型的问题 - Agent 调用了哪些 Tool - 最终结果是什么 - 或者用户直接要求记住的内容3. 把提取的信息存入 Rediskey 格式ltm:{userId}:{timestamp}设置 30 天过期4. 每次新会话开始时从 Redis 中检索该用户最近 5 条长期记忆5. 把检索到的历史上下文注入 System Prompt以下是该用户的历史交互摘要...05、Review 和测试接下来就是验证环节。先用 Claude Code Opus 4.7 做一轮 ReviewReview 刚才的所有变更重点检查1. ReAct 循环有没有死循环风险2. Tool 执行有没有异常处理3. WebSocket 推送有没有线程安全问题4. 记忆持久化有没有数据一致性问题修完之后直接用 Codex/Claude Code 跑一轮集成测试测试用例是这样的测试场景1用户问知识库里有多少文档预期Agent 调用 knowledge_stats Tool返回统计数据测试场景2用户问帮我搜一下 RAG 的文档整理成摘要预期Agent 先调用 search_knowledge 检索再调用 generate_summary 生成摘要测试场景3用户说刚才那个回答不太准确预期Agent 调用 submit_feedback记录用户的负面反馈测试场景4用户连续问三个问题第三个问题涉及第一个问题的结果预期Agent 能从短期记忆中拿到第一个问题的上下文  06、派聪明如何写到简历上 -------------- 如果大家在做类似的 RAG→Agent 升级项目简历上可以这样写 **项目名称**派聪明 AI 知识库PaiSmart **项目简介**基于 Spring Boot 3.4 Elasticsearch 8.10 DeepSeek API 的企业级 AI 知识库系统支持多租户文档管理和智能问答从纯 RAG 架构升级为 Agent 架构。 **技术栈**Spring Boot 3.4、Spring WebFlux、Elasticsearch 8.10、Redis 7.0、MinIO、DeepSeek V4 API、WebSocket **核心职责** 1. 基于 Spring Boot Elasticsearch 构建混合检索引擎采用 KNN 向量搜索 BM25 关键词重打分策略知识库问答的召回准确率达到 92% 2. 设计并实现 Tool Calling 工具注册框架为 Agent 注册 4 个核心工具文档搜索、摘要生成、答案反馈、知识库统计 3. 实现 ReAct 决策循环引擎支持 Agent 自主完成多步复合任务 4. 设计双层记忆管理架构短期记忆采用 token 预算压缩策略控制上下文长度长期记忆基于 Redis 持久化用户交互摘要 5. 基于 WebSocket 实现 Agent 决策过程的实时推送用户可以看到 Agent 的思考过程和工具调用状态 ## 学AI大模型的正确顺序千万不要搞错了 2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前 有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适 就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王  **给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门** **学习路线:** ✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析 ✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑 ✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操 ✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用 ✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代 ✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经 以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透 我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁 ##### [](https://blog.csdn.net/Javachichi/article/details/122513096?spm1001.2014.3001.5501)[](https://blog.csdn.net/m0_57081622/article/details/122378123?spm1001.2014.3001.5501)这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】