一、传统企业Wiki的困境

在企业知识管理领域，Wiki系统一直扮演着重要角色。然而随着知识量的爆发式增长，传统Wiki系统面临越来越多的挑战。

1.1 四大核心痛点

痛点一：知识被动等待被发现

传统Wiki本质是一个"静态知识仓库"。用户需要主动搜索、浏览才能获取知识，系统无法主动推送相关内容，更无法根据用户的学习目标提供个性化指导。

> 小王想学习"Spring Boot微服务架构"，传统Wiki中他需要自己搜索、筛选文档、判断学习顺序，很容易迷失在大量文档中。

痛点二：缺乏交互式学习体验

传统Wiki只能展示静态文档，无法回答用户的个性化问题，更无法进行互动式教学和测验。

> 小张阅读"Redis分布式锁"文档时有疑问，传统Wiki只能让他自己查阅其他文档或在文档中搜索关键词。

痛点三：学习效果难以评估

传统Wiki只记录阅读量和点赞数，无法评估用户的真实掌握程度，无法提供针对性的复习建议。

> 团队负责人想了解成员的学习情况，传统Wiki只能看到阅读次数，无法衡量真实学习效果。

痛点四：知识检索效率低

传统Wiki依赖关键词匹配，无法理解用户的真实意图，检索结果往往包含大量无关内容。

二、wiki-plus-ai项目概览

2.1 传统业务功能介绍

wiki-plus-ai 首先是一个功能完整的 Wiki 知识管理系统，保留了传统Wiki的所有核心功能

传统功能模块

功能模块	核心功能	技术实现
电子书管理	电子书的创建、编辑、删除，一级和二级分类筛选，统计文档数量、阅读量、点赞数电子书快照功能	MyBatis分页查询<br>定时任务生成数据快照<br>RabbitMQ异步更新统计
文档管理	树形目录结构，支持父子关系，Markdown格式内容编辑，文档阅读计数统计，点赞功能，文档排序和移动	Redis防重复点赞，递归查询树形结构，阅读量实时统计，采用重置分表存储
分类系统	两级分类体系，分类的增删改查，删除前校验关联电子书	自关联表设计，级联删除校验
用户系统	用户注册和登录，JWT Token认证机制，密码加密存储	BCrypt加密，JWT Token生成和验证，Redis存储Session
数据统计	电子书阅读量统计，文档点赞数统计，定时快照记录历史数据	Spring Scheduled定时任务，数据聚合统 计，历史快照表存储

前端：Vue3 +、、、、、、、、

技术架构

前端：Vue3 + Element Plus

后端：Spring Boot 3.3.6 + MyBatis

数据库：MySQL 5.7/8.0

缓存：Redis（点赞、Session）

消息队列：RabbitMQ（异步更新统计）

文件存储：MinIO

2.2 AI功能增强架构

在完整的传统Wiki基础上，wiki-plus-ai 引入了多Agent AI系统，打造智能化学习平台。

项目整体架构

技术选型

组件	技术选型	选型理由
Agent框架	AgentScope 1.0.8	阿里开源多Agent框架，支持ReAct模式、A2A协议
阿里百炼	工作流应用、网页解析和联网搜索MCP服务	云上工作流应用使模型更加简洁的集成联网搜索MCP来解决本地未RAG检索到的问题
Skills	为每个Agent封装skills	规范Agent的执行流程缩短思考时间
大模型	通义千问 qwen-plus	中文理解能力强，支持工具调用
向量存储	Redis Vector Store	高性能、支持语义检索
服务发现	Nacos 3.1.1	支持Agent服务注册与发现
框架	Spring Boot 3.3.6	企业级应用首选

为什么选择AgentScope

 

 选择AgentScope 的核心原因：

  1. 多Agent协作是刚需 - 只有AgentScope原生支持
  2. A2A协议标准化 - 开箱即用的Agent间通信
  3. 分布式部署 - 每个Agent可独立部署
  4. ReAct + PlanNotebook - 推理行动 + 任务规划双能力
  5. 企业级特性完整 - Nacos、超时重试、流式响应
  6. 阿里云生态 - 与通义千问、Spring Cloud Alibaba完美集成
  7. 中文生态 - 文档完善、技术支持好

三、多Agent系统架构设计

3.1 Agent角色划分

wiki-plus-ai 设计了 **"管理者-专家"** 的多Agent协作架构

架构设计

各Agent职责

Agent	核心职责	关键能力
WikiManagerAgent	编排协调、学习计划生成	任务分解、Agent调度、结果汇总
WikiRetrieverAgent	知识检索	向量相似度搜索、知识片段提取
WikiTutorAgent	教学答疑	苏格拉底式教学、个性化讲解
WikiQuizAgent	测验生成与评估	题目生成、答案评估、学习反馈

3.2 A2A协议通信机制

各Agent间通过 **A2A（Agent-to-Agent）协议** 通信，使用 **Nacos** 进行服务发现（注意：nacos的版本需要3.0以上）

3.3 MCP 与 Skill

  项目还支持 MCP 和 Skill 机制,让 Agent 能力可配置、可扩展.

  MCP 可以按角色挂载到不同 Agent 上，例如：

  - manager：用于搜索和补充背景信息
  - retriever：用于扩展检索能力
  - tutor：用于补充概念解释和例子
  - quiz：用于校验术语和丰富题目

  Skill 则用于约束 Agent 的行为方式，例如：

  - Knowledge-Retrieval-Strategy：优化检索策略
  - Socratic-Tutoring：按苏格拉底式教学组织讲解
  - Mastery-Quiz-Design：生成更关注掌握度的测验
  - Learning-Workflow-Orchestration：约束 ManagerAgent 的调度流程

四、功能演示

4.1基础的AI功能演示

AI小助手

AI基于wiki构建的RAG进行检索回答，如果为检索到则回退到基于阿里百炼的设计工作流进行回答（因为工作流中的大模型已接入联网搜索的MCP服务）

阿里百炼工作流的设计（建议大家可以学习一下工作流的设计简单高效）

网页解析MCP

主要用于学习外部质料文档

4.2 多Agent功能演示

生成计划

首先会根据用户选择的文档以及学习目标和天数会生成一个学习计划（选择不同生成的计划以及难度不同）

生成学习路径后，用户可以针对当前章节执行三个核心操作：

  - 讲解当前章节
  - 生成测验
  - 获取复习建议

  点击“讲解当前章节”后，TutorAgent 会结合当前学习目标和知识上下文生成讲解。

  点击“生成测验”后，QuizAgent 会围绕当前章节生成题目。用户提交答案后，系统会自动评分，并更新当前章节的掌握度。

  项目中还会根据得分更新学习步骤状态：

  - 掌握度大于等于 80：标记为 DONE
  - 掌握度低于 80：标记为 REVIEW

  这就形成了一个完整闭环：

  选择目标 -> 生成计划 -> 学习章节 -> AI 讲解 -> 自动测验 -> 评分反馈 -> 复习建议

讲解当前章节

点击“讲解当前章节”后，中间区域展示导师回答。

生成测验

章节测验题目、选项或文本回答框

提交测验

掌握度百分比、反馈、标准答案、复习建议。

复习建议

基于掌握情况提供复习建议

五、总结

wiki-plus-ai 项目成功地将传统 Wiki 知识管理与多 Agent AI 系统相结合，打造了一个智能化的知识学习平台。

核心创新点

1. **完整的传统Wiki功能** - 保留了电子书管理、文档编辑、分类系统等所有传统功能

2. **智能学习计划** - AI自动生成个性化学习路径

3. **实时辅导答疑** - 解决用户学习过程中的疑问

4. **测验与评估** - 量化学习效果，提供复习建议

5. **多Agent协作** - ManagerAgent编排多个专业Agent协同工作

项目优势

- 解决传统Wiki的四大痛点

- 提供完整的传统Wiki功能

- 增加智能化AI能力

- 架构清晰、易于扩展

- 生产级实践、性能优化

Github

https://github.com/nadalueskictou80/wiki-plus-ai.git

Gitee

https://gitee.com/xu-mengzhu/wiki-plus-ai.git

该项目为传统企业应用如何通过多Agent架构实现智能化升级提供了优秀的实践参考。

六、TODO

项目持续开发中