Skip to content
Conduit

mcp server

TraceAgentic

设计并实现了一个具备自主迭代检索（retrieve-grade-rewrite-expand）的 TraceAgentic RAG 系统。通过 LangGraph 驱动 Agent 进行多步规划、相关性评估、重写查询与扩展检索，并实时输出 rag_step 进度与完整检索溯源（Trace），有效降低幻觉并提升可解释性。集成 MCP 工具实现文档与结构化数据（Git/MySQL）联合查询，支持文档批

RudyGo8/TraceAgenticcommunitylistedunreviewed
Use tool

Set up

Runs on your computer. Pick your agent and operating system.

This project does not publish an install method we can turn into a config. Follow the README instead.

README

synced Oct 26, 2026

TraceAgentic RAG —— 多步自主知识智能体

基于多步推理的自主知识 Agent，能高精度检索知识库并跟踪溯源、能干活查数据库和 Github 并得到的订单表数据分析

解决痛点：企业中智能体检索知识库时幻觉严重——单一检索命中率低、语义漂移导致答非所问、无决策追溯无法排查。本项目通过 HyDE 假设文档扩展 + StepBack 反向抽象 + 多步 Agent 自主推理 + 全链路可观测，从检索深度和召回广度两个维度压制幻觉。

技术栈

  • 后端：FastAPI + LangChain Agent + LangSmith + Milvus + MySQL + Redis
  • 前端：Vue 3 + Vite + Element Plus
  • 流式：SSE（content / rag_step / trace / [DONE]）
  • 工具调用：Function Tool（内置 RAG 检索）+ MCP（Git / MySQL，可按需扩展）

项目结构

backend/
├── app/
│   ├── agent/          # Agent 运行器与上下文
│   ├── api/routes/     # auth / chat / document 接口
│   ├── rag/            # RAG 流水线（检索/评分/重写/扩展）
│   ├── services/       # Milvus / 文档加载 / 会话等服务
│   ├── tools/          # Function Tool + MCP 网关
│   └── tracing/        # Agent / MCP 决策追踪
└── .env.example        # 环境变量模板
frontend/               # Vue 3 前端
evals/                  # RAGAS 离线评测
docker-compose.yml      # MySQL + Redis + Milvus 基础服务

快速开始

# 1. 启动基础服务（compose 文件在根目录）
docker compose up -d

# 2. 配置环境变量（必填：ARK_API_KEY、MODEL）
cp backend/.env.example backend/.env
cp frontend/.env.example frontend/.env

# 3. 后端（依赖由 uv 管理，pyproject.toml 在根目录）
uv sync
cd backend
uv run uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload

# 4. 前端（另开终端）
cd frontend
npm install && npm run dev

环境变量

完整清单见 backend/.env.example，关键项：

变量必填默认值说明
ARK_API_KEY✅-LLM API Key
MODEL✅-主模型名
BASE_URL-阿里云 dashscopeOpenAI 兼容接口地址
EMBEDDER / EMBEDDING_DIM-text-embedding-v2 / 1536向量模型与维度
JWT_SECRET_KEY-change-this-secret生产环境务必修改
ADMIN_INVITE_CODE-空注册邀请码，为空不校验
MCP_ENABLED-false开启 Git / MySQL 等 MCP 工具

评测体系

本项目通过 RAGas + LangSmith 构建离线评测与在线监控双闭环。经过多轮流水线优化，核心指标从 85% 提升至 92%。

检索阶段（A/B 对比）

指标基线版 v0.1优化版 v0.2提升说明
召回率 context_recall78%91%+13%HyDE 假设文档扩展覆盖更多变体提问
精确率 context_precision82%93%+11%StepBack 反向抽象滤除语义漂移噪声

生成阶段（A/B 对比）

指标基线版 v0.1优化版 v0.2提升说明
忠诚度 faithfulness81%91%+10%AutoMerge 合并父块提升上下文完整度
答案相关性 answer_relevancy85%93%+8%多步 Agent 自主推理减少偏题

运行评测

uv run python evals/run_ragas_eval.py   # 结果输出到 evals/experiments/

在线可观测

  • LangSmith 全链路追踪：每次 Agent 调用自动记录 prompt、检索步骤、工具调用、最终回答
  • SSE trace 事件：前端实时展示检索元数据，可回溯每次决策

License

本项目基于 Apache License 2.0 开源，版本历史见 CHANGELOG.md。

↑↓ navigate openesc close