项目简历模板参考
本文将升级后的 Nexus Agent Pro 版本所有技术价值点全面列出，请根据自己对项目的掌握程度酌情选择 5-6 个核心亮点写入简历，写上去的内容一定要能从底层原理到细节设计都讲清楚。
一、技术选型
Python + FastAPI、Spring Boot、MyBatis-Plus、Redis、Redisson、Kafka、MySQL、Elasticsearch、Harness、Neo4j、PostgreSQL、PGVector、MinIO、DocumentMind OCR、Cross-Encoder、GraphRAG、RAPTOR、SSE、MCP 协议、Docker、Knife4j、JWT
二、项目描述（建议控制在 200 字以内，按需裁剪）
这是一个面向企业知识管理的 AI 智能体平台，智能分块与向量化、知识库构建、多轮对话问答、ReAct Agent 智能编排、RAG 检索增强生成等全链路业务闭环。
项目有多个 AI 智能体，设计了 三级知识路由漏斗（领域→主题→文档）实现精准知识定位；采用 多通道并行召回（向量 + 关键词 + 表格 + GraphRAG + RAPTOR）并通过加权融合 + 交叉编码器精排，显著提升召回质量。
文档处理层面，由 Python rag-tools + DocumentMind OCR 做结构化解析，主链路基于结构化 blocks 做父子切块，并用 Neo4j 图数据库 构建文档层级结构图谱支持章节级导航。
对话层面，前置编排器做意图理解和问题预处理，三层执行器（ReAct Agent、RAG Agent、澄清式 Agent）按场景动态分流，配合 3 种会话记忆策略 和 SSE 实时流式输出。
此外还实现了 GraphRAG 知识图谱检索、RAPTOR 层级结构树、结构化表格问答、证据预算控制与无证据短路、引用修复、影子路由观测 等能力，整体是 Java 编排 + Python 工具服务 的混合架构。
三、负责内容（项目功能很多，按需裁剪）
3.1 架构方面
1. 设计五步前置编排器（意图识别 + 问题改写 + 歧义澄清 + 子问题拆分 + 知识域收缩）
设计五步链式前置编排器，在检索之前对用户问题进行深度预处理：
- 第一步，加载会话记忆，恢复对话上下文；
- 第二步，通过大模型结合对话历史进行 意图识别，判断用户意图类型（知识问答/闲聊/结构浏览等），同时执行 问题改写，将"它的第三章讲了什么"这类包含代词和省略的问题补全为完整的独立问句；
- 第三步，歧义检测，当信息不足以明确用户意图时，主动生成澄清问题引导用户补充，避免盲目检索；
- 第四步，子问题拆分，将复杂问题分解为最多 4 个独立子问题，每个子问题独立检索证据后汇总回答；
- 第五步，知识域收缩，通过三级知识路由将检索范围从全库缩小到具体文档，大幅减少无关内容干扰。五步编排的输出形成统一的执行计划，驱动后续检索和生成流程。
2. 设计三级知识路由漏斗与影子路由观测
构建"领域→主题→文档"的三级漏斗路由模型，逐层缩小检索范围：
- 领域层： 通过语义评分 + 词汇评分筛选 Top5 候选领域；
- 主题层： 在领域评分基础上叠加关键词实体匹配，对命中顶级领域的主题额外加 8 分权重，筛选 Top8 候选主题；
- 文档层： 综合语义、词汇、关键词实体、领域加成、主题关联多维评分。通过置信度公式评估路由质量，低于则标记为低置信度。
- 影子路由观测机制： 当用户手动选择文档时，在后台静默执行完整路由流程，记录各层候选、用户实际选择、命中状态和置信度，持续评估路由准确率，形成优化闭环。
3. 设计三层执行器动态路由（澄清 Agent → 知识检索 Agent → ReAct Agent）
基于前置编排器的输出，设计三层执行器的动态分发机制：
- 歧义澄清 Agent： 当检测到用户问题信息不足时，生成引导性澄清问题而非强行回答；
- 知识检索 Agent： 当问题找到答案时，走多通道检索 + 加权融合 + 交叉编码器精排 + 证据驱动生成的标准检索流程；
- ReAct Agent： 当问题是开放性的或多步推理时，进入 "思考→行动→观察" 的自主循环，Agent 可动态调用联网搜索、知识检索等工具，循环执行直到获得足够信息后生成最终回答。三层执行器根据意图识别结果自动匹配。
4. 设计 ReAct Agent 自主推理与安全防护机制
实现 ReAct（推理+行动） 模式的智能体执行器，Agent 按"思考→行动→观察"循环自主推理：
- 先分析需要什么信息，再调用工具（联网搜索、知识检索等）获取证据，观察结果后决定是否继续循环，直到获得足够信息后生成最终回答。
- 支持多个工具并行调用。为防止 Agent 失控，设计多层安全防护：单次请求 和 单次会话 的模型调用和工具调用设置上限。
- 工具调用失败时采用 指数退避重试；异常时统一拦截并优雅降级。Agent 的推理过程通过 检查点机制 持久化到数据库，支持断点恢复。
5. 设计多通道并行检索与加权融合排序
- 实现最多五路并行召回：语义向量、关键词向量、BM25、结构化表格、知识图谱图谱、层级摘要树；
- 各通道分数量纲不同，采用 加权融合：以 RRF 排名分为骨架，叠加各通道原始分归一化、构建期元数据，再乘以每个通道的基础权重和检索意图动态倍率，统一到一个排序空间；
- 融合后接入 交叉编码器精排，进一步优化排序。检索完成后进入 父子块聚合 环节：检索时使用细粒度的子块提高匹配精度，命中后自动关联其父块获取完整上下文，实现 "小块检索、大块回答" 的效果。
6. 设计证据预算控制与无证据短路机制
为防止检索结果过多导致 Token 溢出或过少导致幻觉，设计精细化的证据管控机制：
- 证据预算控制，每个子问题的证据上限为 2200 字符，总预算上限 5200 字符，单个父块上限 2200 字符，超出预算时按相关性评分动态裁剪；
- 无证据短路，当所有检索通道均未召回有效证据时，直接向用户反馈"未找到相关信息"，而非让大模型强行编造答案，从机制上杜绝幻觉问题。
7. 设计基于结构化块的父子切块引擎
切块的主输入是文档解析产出的结构化块（不是整篇纯文本），设计 父子块拆分 架构：先生成保留完整语义边界的父大块，再在大块内切出更聚焦的子小块，子块用于检索提高匹配精度，命中后自动关联父块获取完整上下文段落。切块引擎采用组合流水线：
-
父大块（回答上下文，保留章节/段落/表格/列表等完整边界）+ 子小块（检索命中粒度）
-
递归裁切（长块控制）→ 语义边界优化（在父块内精修子块切分点）
-
大模型智能切块（增强策略，处理低质量或复杂文档）。
系统根据文档类型和质量自动推荐最优切块方案，用户确认后执行。若解析没有产出结构化块，索引构建直接失败，不退回纯文本一刀切。
8. 基于图数据库构建文档层级结构图谱
利用 Neo4j 图数据库 存储文档的三层节点结构：文档节点 → 章节节点 → 条目节点.
节点间通过"包含章节""包含子节点""包含条目""下一兄弟"四种关系连接。支持 章节编号定位、标题路径查找、邻接遍历（前后兄弟）、子节点展开、语义最佳匹配 五种查询能力，突破传统关键词搜索的局限。配合文档导航索引实现目录级浏览，用户可按文档结构逐层展开查看内容。
9. 设计 GraphRAG 知识图谱检索处理实体关系类问题
在文档索引构建阶段从文本块中抽取实体、关系、社区，构建可检索的知识图谱。
Python 做候选抽取，Java 负责实体合并、关系去重、引用校验、置信度过滤后入库，并把知识图谱产物投影成 实体/关系/社区，复用向量库与关键词库统一检索面。
支持关系类问题直召、别名命中、跨文档社区报告和查询计划，解决向量检索搞不定的"A 和 B 是什么关系"类问题。
10. 设计 RAPTOR 层级摘要树检索处理全局总结问题
对长文档做递归聚类 + 逐层摘要，构建从细节到全局的摘要树（Python 做 balanced AHC 聚类和 LLM 摘要，Java 做质量分过滤和入库）。
摘要质量分低于阈值的节点直接不保存、不进检索面。检索时先命中摘要节点拿到全局视角，再顺着原始结构块，最终引用落在真实原文而非摘要，解决"这份文档整体讲了什么"类全局总结问题。
11. 设计结构化表格问答与受控查询计划
表格解析时保留行、列、单元格结构和 bbox 坐标单独入库。查询计划由（规则候选 + LLM 受控建议）产出，并经主链路中做白名单校验后才生成执行。
支持 COUNT/SUM/MAX/MIN/分组等聚合和多种过滤操作符，表格证据带完整定位信息，管理端可从回答引用跳转到文档表格并高亮命中单元格。
12. 设计 Java + Python 混合架构与工具服务边界
引入 Python 工具服务，承接文档 OCR 解析、交叉编码器精排、引用修复、知识图谱抽取、摘要结构树构建等 Java 不适合做的能力。
核心是清晰的职责边界：Python 只出能力（候选、打分），不做任何决策；路由、融合、最终证据、引用决策全在 Java，Python 产物都要过 Java 校验。
付费内容提示
该文档的全部内容仅对「码力全开」项目实战&技术讲解 知识星球用户开放
加入星球，一次获得完整项目资料、全栈技术知识库和长期答疑服务。
完整项目实战资料
每套项目均包含从 0 到 1 讲解文档核心业务讲解视频从基础项目到复杂业务场景，项目资料会持续更新。
- 01Nexus Agent AI 智能体
- 02Nexus Agent Pro 完全版
- 03黑马点评Plus
- 04大麦
- 05大麦Pro
- 06大麦AI
- 07流量切换
- 08数据中台
加入后还能获得
进入星球后，即可享受上述所有服务，保证不会再有其他隐藏费用。从学习、面试到项目启动，都可以继续获得支持。
- 1 对 1 解答项目和技术问题都可以提问
- 针对性补充没有讲清楚的内容会继续补充
- 面试与简历指导梳理回答技巧和项目亮点
- 中间件云环境项目依赖可以直接接入使用
- 面试后复盘被问住的问题可以继续交流
- 远程问题解决项目启动问题可协助排查
