《AI Agent 拖拉拽 + 动态配置（RAG、MCP、Prompt）》 - 解析文档&Git仓库代码&AI工作流 作者：小傅哥

博客： https://bugstack.cn (opens new window) 课程： https://t.zsxq.com/GwNZp (opens new window) 沉淀、分享、成长，让自己和他人都能有所收获！😄 大家好，我是技术UP主小傅哥。 刚上周，老板说： ”把咱们招聘里也加一条，具备AI应用开发能力的优先！“ 。是呀，现在越来越多的企业都在用AI开发能力提效了，如；聊天软件增加一键唯独信息归档提取、工作文档资料携AI对话分析、工程SQL语句脚本辅运营自动完成数据处理、代码编写用AI完成自动评审等等。这些都是在AI的基础上在构建应用，以后也会越来越多！所以，具备AI应用开发能力，也是每个工程师最应该具备的基础能力了。 并且用不了多久，各大互联网企业都将大量的推进落地，自有 MCP (opens new window) 服务的实现，用于增强企业 AI 应用的提效能力。因为 MCP (opens new window) 的加入，可以让你；一条命令 帮研发 ，调用应用系统日志、排查系统CPU负载、自主选择是否调度数据库信息。也可以一条命令 帮运营 ，搞定复杂的SQL执行、导出报表、分析数据、完成促活营销券的自动化配置上架。这就是 MCP (opens new window) 的魅力！👍🏻 那么牛，MCP 是什么？ 专业的术语 MCP = Model Context Protocol 模型上下文协议，可实现应用与外部数据源和工具之间的无缝集成。无论您是构建 AI 驱动的 IDE、增强聊天界面还是创建自定义 AI 工作流，MCP 都提供了一种标准化的方式来连接他们所需的上下文。 来吧，上图！让你看看它是啥！ 首先，站在用户的使用视角，研发或者运营，可以通过话术描述，完成系列的 AI 工作流，并拿到最终的结果。这就是 MCP 最终为你提供的服务。 那么，你可以想象，在日常的工作中，运营、研发、产品、测试等，都有非常多的重复非创作性的工作，占用了大量的时间成本。尤其是研发，写写代码，就有运营过来，帮我查个问题吧，小嘚嘚。但如果有这样的借助于 MCP 实现的 AI 工作流，就可以完成80%以上的工作量。 之后，站在技术的实现视角，MCP 是一个标准结构框架，你可以按照它（Spring AI）提供的 SDK 开发方式，完成本地化 API 的接入开发。让 AI 有明确的方式调用各类 API 服务接口。如果没有 MCP 这会是一件很麻烦的事情。 跟着小傅哥学习，从不走偏！😄 2022年底，ChatGPT 开始火爆。 2023年2月，小傅哥，开启了第一个基于AI的项目，ChatGPT AI 问答助手项目。让所有伙伴，都能学习到 AI 如何开发应用。 2023年4月，启动OpenAI(ChatGPT/ChatGLM)微服务应用体系构建大型项目，让大家可以用微信登录、微信支付/蓝兔支付，构建自己的可对外付费提供服务的 OpenAI。这一年上车学习的伙伴，很多做了自己的 AI 产品，除了提高编程技能，又小赚了一辆宝马。 2024年7月，结合企业诉求，开启 OpenAI + Github Acitons，实现代码自动化评审。这一年，不少伙伴在自己的公司中都有落地，个人也得到了述职晋升。 2025年3月，咱们再起启航，基于 Ollama 部署 DeepSeek，开发 RAG 知识库，解析文档和Git仓库代码。这个东西，将是企业中构建自己知识库的又一项非常重要的事情。有了知识库，AI 代码的自动评审，会更加精准，也可以辅助分析需求等。 那么，接下来小傅哥就细致的介绍下，本次开启的新项目，可以让大家学习到哪些知识，掌握哪些技术。 Spring AI MCP 与 24年末发布，学习此 AI 应用开发项目，你将是第一批具备 Java AI 应用实战开发能力的人。竞争力，嘎嘎滴！ # 一、能学到啥 这是一套综合 前后端 + Dev-Ops ，基于 Spring Ai 框架实现，Ai Agent 智能体。耗时7个多月，38节课程（ 视频 + 文档 ），从 RAG 到 MCP，再实现出互联网企业级，可编排的 Ai Agent 智能体，现已全部开发完成 + 部署上线。💐 该项目是结合当下最火的 Ollama、DeepSeek、SpringAI 等技术构建的 RAG 知识库实现。从前端到后端到 dev-ops 的全栈式功能手把手实现。 前端，基于 AI 工具，设计前端对话页面，完成 HTML、JS、TailwindCSS 的编码工作。 前端，配置跨域服务接口，前后端分离实现 UI + 服务端接口对接。 后端，构建双层架构，直接面向需求编码。让学习伙伴更轻松完成 RAG 知识库核心知识的学习。 后端，基于 Spring AI 完成 DeepSeek、OpenAI 双模型的策略对接，处理文本向量的解析和存储。 后端，使用 postgresql 存储切割文本向量数据，完成知识库的解析和存储。 后端，处理多样文本 （.md、.sql、.txt、.word...） 的解析储存以及Git克隆代码库遍历切割存储。 后端，使用 Redis 存储知识库标签，用于检索展示使用。 后端，基于 Flux 编写流式会话接口，以及增加知识库检索功能。 运维，基于 Docker 部署 Ollama 环境，完成 DeepSeek 大模型配置。 运维，使用 Linux、Docker、Nginx 完成项目的打包、构建、上线！ 虽然，知识库都有很多现成的工具。但研发的能力不是在于功能应用，而是具备这样的开发技能储备，在有需要的时候，可以举手🙋🏻‍♀️”我会，我来做！“ 此项目，全程视频手把手操作 + 全部的小册文档，你可以轻松上手学会这样一个项目！ # 二、项目介绍 这是一套基于 Ollama DeepSeek 大模型构建的增强 RAG 知识库检索项目，在这套项目上，实现了除普通文档知识解析外，增加了 Git 代码库的拉取和解析，并提供操作接口。为工程师做项目开发时， 需求分析 、 研发设计 、 辅助编码 、 代码评审 、 风险评估 、 上线检测 等，做工程交付提效。

第1期，RAG 我们做了什么 在 《DeepSeek RAG 增强知识库》第1阶段，基于 Spring AI 0.8.1 开发了一套可以上传文件和Git仓库进行解析、切割、存储，到使用向量库完成 AI 的知识库问答系统。并最终通过 Docker 部署上线。 # 1. 对话页面

这是全程视频手把手，带着大家通过AI工具，完成的UI设计实现课程会演示这个操作），实现的一款非常简单漂亮的UI效果。 我们可以结合知识库，进行更加有效的提问。像是公司中，会把知识库提供出一个标准接口，给其他各个AI应用平台提供能力。 # 2. 上传知识 上传知识，可以解析不同类型的知识库。 除了课程提供的文档库、代码库，你可以增加其他的知识库，如；网页的解析，与网页内容对话。让我们的UI，增加一个侧边栏，读取当前网页内容，分析对话。这样在公司中的一些工程的日志，错误分析时，可以更快的处理。 # 3. 解析知识 - 后台日志 上传知识后，可以看到日志信息。 一套工程作为知识库是非常具有开发价值的，在我们做提问的时候就不需要，人工的去分析工程，而是直接使用了。 # 第2期，MCP 我们要做什么 与第2期相比，第1期可以称之为小试牛刀，让小伙伴们以最快、最快的往事，积累，运用 Spring AI 框架，开发自己的 RAG 知识库。 也是方便有些死鬼，早点写到简历上 到了第2期，你就开始吃上细糠了，小傅哥会带着你升级 Spring AI 框架为 1.0.0-M6 最新版本，多模型配置和操作 PG 向量库，使用 GPU 搭建响应速度更好的 Ollama DeepSeek 大模型（秒级处理），以及对接官网 DeepSeek 的大模型和统一 one-api 对接方式。 但这还只是开始，随着基础框架的升级完成，我们将进入 MCP 服务的开发实现。通过 AI 指令，完成 AI 工作流，调度各项 MCP 处理我们的任务作业。如图，举例操作； 基于 MCP 服务的开发和对接，通过 AI 工作流指令，完成数据的采集和存放动作。💡 聪明的小伙伴以及开始联想，基于这样的 AI 开发，可以替代很多的日常工作啦。 没想到吧，也把自己替代了 但仍然，蠢蠢欲动（我不做，别人也做呀）！ 实现后，晋升又有的讲啦！简历也有东西写啦！ 有了 MCP 后，相当于把我们需要；在一个网页操作数据库查询数据、打开另外一个网页看天气预报，再手动的创建个文件把以上的信息获取后，复制粘贴到文件里。这一些列操作，都让 AI 通过 MCP 模型上下文协议进行处理。也就是 AI 可以调用后台接口啦！ # 第3期，Agent 我们要做什么 RAG 教了，MCP 搞了，那么现在是时候，实现一套自动化的 Ai Agent 服务了。 如图，以通过数据库表动态配置的手段，完成相关物料的加载，包括； 模型（gpt-4.1/deepseek） 、 客户端 、 对话预设 、 执行规划（Planning） 、 顾问（记忆、RAG、日志） 、 工具（MCP ）等，在把单个 Client 串联，完成整个 Agent 调用链。这样一个 Agent 调用链可以以对话形式使用或通过 Agent 动态任务自动执行。 本项目分为，用户端、管理端和服务端，服务端统一提供接口能力，管理端维护 AI Agent 智能体配置、用户端提供使用服务。 # 1. 登录界面 这一部分在数据库表增加了 admin_user 表，有配置登录账号和密码，可以简单做校验。 # 2. 管理界面 管理后台目前提供了，代理管理（拖拉拽编排方式配置智能体），资源管理（model、client、mcp、advisor、prompt） 数据分析、系统设置，是样例，你可以继续扩展你所需要的内容。 # 3. 代理管理 # 3.1 代理列表 这里的代理列表，就是通过拖拉拽配置的智能体。可以点击【查看】看到明细，也可以【新建】，还可以删除。 点击【加载】则是调用服务端，把数据加载到 Spring 容器，之后就可以使用了。 # 3.2 代理配置 当你点击一个代理配置，则会展示出拖拉拽的数据到页面上。这部分会从数据库读取，之后展示出来，全部可视化。 如果你点击了Save则会做出一份新的，之后对于旧的，你可以自己手动删除。 # 4. 资源管理 资源管理下，是配置一个智能体所需的各项资源信息，你可以在这里进行维护。如，MCP 工具管理。 # 5. 页面使用 # 5.1 对话交流

5.2 场景解析

5.3 监控分析

配置后的智能体，可以在智能体选择里进行获取使用。之后进行提问。 效果还不错，这里小傅哥验证了配置的智能体进行提问。 # 三、关于系统设计 本套系统设计，也是花费了非常大的心思。 # 1. 执行流程 在整个 Ai Agent 的实现中，小傅哥带着大家分析设计了4种方案，包括；固定执行的、循环执行的、智能分析决策的还有一个按照步骤规划的。这些流程都有适合于自己业务场景使用。在代码中也都有不同方案的实现，之后通过用户选择后进行动态化的策略调度。 # 2. 核心动作 # 2.1 数据装配 首先，以构建 AiClientNode 的对话客户端为目的，已经完成了相关的元素实例化步骤。本节这里要处理的是，顾问角色的构建，以及构建 AiClientNode 节点。 之后，AiClientNode 的构建，是关联了其他各项元素的，所以在构建时，需要在 AiClientNode 节点，从 Spring 容器通过 getBean 的方式，检索到对应的各项元素。 # 2.2 动态调度 这里会根据用户的请求，进行策略路由，找到所需的 Ai Agent 执行策略进行处理。这里小傅哥也有意加入不同的策略，让大家可以看到很多的 Ai Agent 设计思路。 # 2.3 执行策略（01） 以程序启动为开始，进行自动化装配。这个过程我们先把一些想预先启动的数据库中的 agent 配置所需的 client 客户端进行服务初始化。之后写入到 Spring 容器，方便在执行 Agent 时进行使用。 前面有伙伴问，为什么把实例化的对象写入到 Spring 容器，这里就是原因 客户端（UI），进行 POST 接口请求，这个过程需要封装一个 SSE 流式响应的接口，让 Step 1~4 各个执行步骤，把过程信息写入到流式接口。这里要注意，需要给接口返回的 对象 添加上对应的类型（什么步骤、什么节点、什么过程），以便于反馈给用户 Agent 在做什么。 # 2.4 执行策略（02） 这是其中的一种 Ai Agent 执行策略方式，通过用户的提问进行分析、规划、列出执行步骤，之后依次执行。 所有的这些实现都有相应的代码，带着大家使用规则树框架清晰的实现出来。 # 四、课程目录 # 1. 课程目录 第1阶段 spring-ai v0.8.1 - RAG 静态知识库（本阶段，需要配置附件的 setting.xml） 第1节：关于 AI RAG 知识库项目介绍 第2节：初始化知识库工程&提交代码 第3节：Ollama DeepSeek 流式应答接口... 第4节：Ollama DeepSeek 流式应答页面... 第5节：Ollama RAG 知识库上传、解析和验证 第6节：Ollama RAG 知识库接口服务实现 第7节：基于AI工具，设计知识库UI和接口对接 第8节：Git仓库代码库解析到知识库 第9节：扩展OpenAI模型对接，以及完整AI对接 第10节：云服务器部署知识库（Docker、Ngin... 第2阶段 spring-ai v1.0.0 - MCP 动态知识库 第11节：吃上细糠，升级SpringAI框架 第12节：康庄大道，上手 AI MCP 工作... 第13节，道山学海，实现MCP自动发帖服务（... 第14节，海纳百川，上线MCP自动发帖服务 第15节，川流不息，实现MCP微信公众号消息通知服务 第16节：息息相通，MCP 服务部署上线（sse 模式） 第3阶段 spring-ai v1.0.0 - Ai Agent 进行中「如果着急面试，可以直接做3阶段，完成到13节很够面试啦」 第3-0节：Ai Agent 项目介绍和系统演示【最初版本，含完整代码】 第3-1节，Ai Agent 业务流程、系统架构、库表设计说明 第3-2节：初始化项目工程 第3-3节：Ai Agent 测试案例 第3-4节：根据 Ai Agent 案例，设计库表 第3-5节：多数据源和Mapper配置 第3-6节：数据加载模型设计 第3-7节：动态实例化客户端API 第3-8节：动态实例化对话模型 第3-9节：实例化对话客户端 第3-10节：Agent执行链路分析 第3-11节：Agent执行链路设计 第3-12节：Agent服务接口和UI对接（第一版AutoAgent效果） 第3-13节，Agent-ELK日志分析场景 第3-14节，Agent-Prometheus监控分析场景 第3-15节：AgentFlow执行链路分析（扩展思路） 第3-16节：FlowAgent执行链路设计（扩展思路） 第3-17节：增加调度器策略执行Agent链路 第3-18节：动态执行智能体任务 第3-19节：拖拉拽编排数据存储 第3-20节：Agent管理后台实现 第3-21节：在云服务器部署上线 # 2. 编程环境 JDK 17 ~ 21 Postgresql SpringBoot 3.2.3 - Spring AI 0.8.1 ~ 1.0.0+ Redis Docker Ollama + DeepSeek + GPU - RAG、MCP、Function Call 课程包括文档 + 小册，全程视频带着做。课程地址： https://t.zsxq.com/GwNZp (opens new window) 综上，你可以看到此套项目的完整的介绍，这些也都是企业里非常实用的技能积累。有希望提高自己的编程能力和面试材料的，可以马上加入学习。 课程包括；视频、小册、1 对 1 答疑解惑、专属VIP项目交流群，并且提供简历编写模板结构的一条龙🐲服务。让你学习后，直接拉开与还在玩具项目其他人的差距，面试脱颖而出提高竞争力！！！ 在 GitHub 上编辑此页 (opens new window) 上次更新: 2026/3/4 面试：技能、简历、问题汇总

→ 京ICP备19031103号 | 京公网安备 11030102010881号 | GPL Licensed | Copyright © 2019 小傅哥，All rights reserved. AI Agent 拖拉拽 + 动态配置 一、能学到啥 二、项目介绍 第1期，RAG 我们做了什么 第2期，MCP 我们要做什么 第3期，Agent 我们要做什么 三、关于系统设计 1. 执行流程 2. 核心动作 四、课程目录 1. 课程目录 2. 编程环境