最近在公司内部调研AI智能体平台，发现市面上大多数方案要么太重（需要整套云基础设施），要么太轻（只能做简单的对话）。直到我遇到环曜Agent这个项目，前后折腾了两周，从源码编译到完整跑通，觉得有必要写几篇文章分享一下。这篇文章先聊聊它的整体架构和技术选型思路。

一、为什么需要企业级AI智能体平台

说实话，去年ChatGPT爆火之后，我们公司也跟风接了几个大模型API，做了几个简单的问答机器人。但用起来总觉得差点意思：

• 知识断层：模型不懂我们公司的业务知识，问点内部流程就瞎编
• 工具匮乏：只能对话，不能查数据库、不能调接口，像个"哑巴"
• 成本黑盒：用了多少Token、花了多少钱，完全没概念
• 重复造轮子：每个部门都想做AI助手，结果各搞各的，资源浪费

环曜Agent这个项目，本质上就是想把这些问题一次性解决。它不是简单的"套壳"ChatGPT，而是一个完整的智能体编排与管理平台。

二、项目定位与核心能力

环曜Agent的定位很清晰：让非技术人员也能创建和管理AI智能体。我梳理了一下它的核心功能矩阵：

功能模块	解决的问题	技术亮点
智能体管理	零代码创建AI助手	可视化配置，5分钟上线
RAG知识库	解决模型知识断层	混合检索+重排序，准确率92%+
可视化工作流	复杂任务自动化	拖拽式编排，27种节点
AI数据分析	降低数据查询门槛	自然语言转SQL/DSL，四层安全防护
Function Calling	扩展AI能力边界	内置7种工具，支持自定义
Token统计	成本透明化	多维度统计，精确到每次调用

最让我意外的是AI数据分析这个功能。传统的BI工具学习成本太高，业务人员根本用不起来。环曜Agent的做法是让用户直接用自然语言提问，比如"最近7天销售额排名前10的商品"，系统自动生成SQL并执行。而且做了四层安全防护，从意图识别到只读数据库连接，层层把关，不用担心数据被误删。

三、技术架构拆解

3.1 整体分层

环曜Agent采用经典的分层架构，我画了个简图：

Plain Text

┌─────────────────────────────────────────┐
│  前端层 (Vue 3 + Element Plus)          │
│  智慧大厅 | 智能体管理 | 知识库 | 工作流  │
└─────────────────────────────────────────┘
                   ↕ REST API
┌─────────────────────────────────────────┐
│  应用层 (Spring Boot 3.2.6)             │
│  对话服务 | 智能体服务 | 数据查询 | 工作流 │
└─────────────────────────────────────────┘
                   ↕
┌─────────────────────────────────────────┐
│  引擎层 (LangChain4j)                   │
│  LLM引擎 | RAG引擎 | 工具引擎 | 记忆引擎  │
└─────────────────────────────────────────┘
                   ↕
┌─────────────────────────────────────────┐
│  数据层                                  │
│  MySQL(业务) | Redis(缓存) | ES(向量)    │
└─────────────────────────────────────────┘

3.2 后端技术选型

核心框架：Spring Boot 3.2.6 + Java 17

选Java而不是Python，我觉得是个务实的决定。企业级应用里Java生态更成熟，运维人员也熟悉。Spring Boot 3.2要求Java 17，用上了虚拟线程等新特性，并发处理能力有提升。

AI框架：LangChain4j 1.0.0-beta3

这是Java版的LangChain，虽然生态不如Python版丰富，但核心能力都有：Prompt模板、RAG链、Function Calling、记忆管理。关键是它支持多模型接入，环曜Agent里同时接入了：

• 阿里百炼（通义千问，国内首选）
• OpenAI GPT系列
• Ollama（本地模型，后面会细说）

数据存储：MySQL + Redis + Elasticsearch

• MySQL存业务数据（智能体配置、知识库元数据、工作流定义等）
• Redis做缓存和对话记忆（分布式场景下多个实例共享对话历史）
• Elasticsearch 8.14.3做向量存储和全文检索

ES在这里身兼两职：既是RAG的向量数据库，又是AI数据分析的目标数据源。8.14版本内置了dense_vector类型和kNN搜索，不需要额外装插件。

3.3 前端技术选型

Vue 3.5.13 + Vite 5.4.8 + Element Plus 2.8.4

标准的Vue 3技术栈，没什么特别的。但有几个细节值得注意：

• 工作流编排用了@vue-flow/core，这个库做拖拽式节点编辑器很合适，支持自定义节点类型、连线验证、缩放平移等
• Markdown渲染用了Marked + Highlight.js，代码块有语法高亮
• 图表用ECharts 5，数据大屏里的各种统计图表都靠它

四、部署架构与本地化优势

环曜Agent最大的卖点之一是完全支持本地化部署。我梳理了一下它的依赖服务：

服务	用途	是否必需	本地部署难度
MySQL 8.0+	业务数据库	是	简单
Redis 7.0+	缓存/会话	是	简单
Elasticsearch 8.14.3	向量存储/数据分析	是	中等
MinIO	对象存储	否	简单
LibreOffice	文档转PDF	推荐	简单

所有依赖服务都可以本地部署，不需要连外网。对于数据敏感的企业来说，这是刚需。

更妙的是，环曜Agent还内置了一个LocalEmbeddingModel。当你没有配置API Key时，它会自动降级使用本地词袋模型做Embedding。虽然效果不如OpenAI的Embedding，但在内网环境下能跑起来，不至于完全用不了。

五、性能指标实测

我在本地MacBook Pro（M3 Pro，18GB内存）上做了简单压测：

指标	官方数据	我的实测
对话响应延迟	< 500ms	~300ms（不含LLM推理）
RAG检索延迟	< 200ms	~150ms
SQL生成延迟	< 2s	~1.5s
并发支持	1000+	没测到上限

单实例跑个小团队（几十人）完全没问题。如果要上生产，ES做集群、后端做多实例，支撑几百人应该轻松。

六、小结与下篇预告

环曜Agent的架构设计有几个值得学习的地方：

1. 分层清晰：前后端分离，引擎层独立，方便替换实现
2. 扩展性强：多模型、多数据源、自定义工具，接入成本低
3. 企业级考量：安全认证、权限控制、审计日志、成本统计，该有的都有
4. 本地化友好：所有依赖可本地部署，支持离线运行

当然，beta版本的LangChain4j有些地方还不够稳定，文档也比较简略，二次开发需要啃源码。

下一篇我会写本地化部署的完整实战指南，从环境准备到前后端启动，再到常见问题排查。如果你也想在内网搭一套AI智能体平台，记得关注。

---

本文基于环曜Agent实际项目经验撰写，仅供技术交流参考。

关于环曜Agent

环曜Agent是一家专注于企业级AI智能体本地化部署的服务商，提供从平台搭建、模型适配到二次开发的全栈技术支持。我们致力于帮助企业构建安全可控、私有化部署的AI智能体平台，让非技术人员也能轻松创建和管理AI助手。

服务范围：智能体平台部署 | RAG知识库搭建 | 工作流自动化 | AI数据分析 | 模型本地化适配 | 企业定制开发