个人鄙见，想到哪里写哪里，仅供参考。
作为一个 Java 这样传统的后端程序员，我们作为一个后端的程序，能在 AI 浪潮中发挥出来自己怎么样的优势？一开始我觉得作为一个后端程序员，我们对 AI 相关的知识了解是欠缺的，对我而言就是经常在写代码时用到的 AI 助手。然后，前段时间呢接触写了一个 RAG 原型项目，就是实现了一个简单的“文件上传，文档解析，向量存储，文档检索，调用模型，返回响应”。就这看来感觉后端程序个人在 AI 中所能利用的优势还是比较小的。但是又经过我深入的学习后，详细了解 RAG、MCP 和 Agent 这些概念后又发生了变化。
首先是在一个 AI 项目模拟面试的视频底下的评论，学到了很多。其中了解到了 UltraRAG 这个优秀的项目，虽然他是基于 Python 构建的，但是这对于后端来说只是语言的不同，完全可以用 Java 来模仿重构一个。最主要的是他所提出的 Pipeline 方式进行 RAG，通过对 RAG 流程编排，实现串行、循环、分支的检索、推理流程，来提高 RAG 文档召回的准确性。
对的，文档召回率。这正是 RAG 项目的核心内容只所在，RAG 某种意义上是新时代 AI 浪潮中的新型搜索引擎。一个搜索引擎的优异在何处呢？答案显而易见——内容是否匹配。RAG 项目作为一个搜索引擎，我们所要做的一切便是优化其搜索出来的内容，也就是召回率。虽然其理论作为后端程序员的我们很难做到业内人士那样标新立异发出各种论文，但是他们所提出来的理论的实现，正是我们后端程序员所熟悉的业务吗？就比如前面提到的 UltraRAG ，他们所做的也正是将 Pipeline 这个理论用 Python 程序来实现出来。而作为后端程序员的我们可以更好地去用我们的编程知识（架构设计、编程技巧），去实现一个性能更好、可读性更好、更面向普通用户的功能业务，也是我们的优势之所在。
现在，当我们将视野从 RAG 抽出，MCP、Agent 同样也是一样的道理。MCP 提供了一种协议让 AI 去调用我们后端的服务，这些服务正是由后端程序员的职责，怎么做、怎么优化，也正是我们所熟悉的领域。当我们拥有一系列功能丰富的 MCP，一个准确的 RAG 系统，所构建出来的 AI Agent 服务便是我们后端工程在 AI 中真正的价值。