原文链接 发布于2025年05月12日 19:06 北京
知识回顾与项目亮点
大家好，我是BiggerBoy，在《Spring AI：Java开发者的智能应用神器，快速上手攻略！》技术解析基础上，北哥爆肝两天，基于Spring AI手搓了一个AI项目。本次实战项目将实现三大突破：
1. 全栈架构实现
- 后端：基于Spring AI构建智谱大模型接入层
- 前端：Vue3+Marked实现交互式聊天界面和Markdown渲染
- 存储：Redis 向量数据库**支撑知识增强
2. 企业级知识增强
通过RAG**（检索增强生成）技术实现：
- 本地知识库向量化存储
- 基于语义的精准知识检索
- 上下文感知的智能回复生成
3. 生产级特性
- 流式响应处理（SSE）
- 对话历史管理
- 多文档格式解析支持
效果抢先看
开发手记
一、环境准备
-
- 配置JDK17+环境
-
- 初始化SpringAI项目
二、核心功能实现
// 智普大模型接入示例
@Bean
public ChatClient chatClient(AiClient aiClient) {
return new ZhiPuChatClient(aiClient)
.withTemperature(0.7)
.enableStreaming();
}
三、企业级扩展
- 文档解析器配置
- 向量索引构建
- 检索增强管道实现
配套源码
文末附完整工程代码（无套路），包含：
- 后端SpringBoot工程
- 前端Vue3工程
（注：本教程已通过SpringAI 1.0.0-M8 + SpringBoot4.0.0验证）
导入依赖
在pom.xml文件添加依赖
<dependencies>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-zhipuai</artifactId>
</dependency>
</dependencies>
<dependencyManagement>
<dependencies>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-bom</artifactId>
<version>${spring-ai.version}</version>
<type>pom</type>
<scope>import</scope>
</dependency>
</dependencies>
</dependencyManagement>
基本配置
-
秘钥配置
从智谱AI控制台获取秘钥，点击右上角【添加新的API_Key】
复制API Key到配置文件，当然你可以把它导入到环境变量，那样更安全。
spring:
application:
name: SpringAI-demo
ai:
zhipuai:
api-key: 你的秘钥
- • 跨域配置
后端暴露给前端的API和前端不同域，需要支持跨域请求。
@Configuration
publicclassWebConfigimplementsWebMvcConfigurer {
@Override
publicvoidaddCorsMappings(CorsRegistry registry) {
registry.addMapping("/ai/**")
.allowedOrigins("http://localhost:5173") // 你的前端地址
.allowedMethods("GET", "POST")
.allowedHeaders("*");
}
}
暴露API给前端
下面的代码有两个API，第一个是生成全部回复后，一次性把回复内容返回给前端，第二个是流式生成，采用SSE技术，可以实现回复的就像打字一样展示，这也是大多数生成式AI采用的方式。
对SSE不了解的参考前几天的文章：WebSocket之外，SSE协议为何被大厂悄悄采用？
/**
* 生成回复
* @Author 公众号：BiggerBoy
* @date 2025/5/8 11:05
* @param message
* @return
*/
@GetMapping("/ai/generate")
public Map generate(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) {
// 如果没有匹配的答案，调用AI模型生成回复
return Map.of("generation", this.chatModel.call(message));
}
流式生成回复的具体代码，Controller调用Service层的generateStream方法：
/**
* 流式生成回复
*
* @param message
* @param local
* @return
*/
@GetMapping("/ai/generateStream")
public SseEmitter generateStream(@RequestParam String message) {
return vStoreService.generateStreamWithLocal(message);
}
generateStream具体代码：
/**
* 异步处理用户输入并通过服务器发送事件（SSE）返回聊天模型的流式响应。
*
* @param userText 用户输入的文本
* @return 用于发送 SSE 事件的 {@link SseEmitter} 对象
*/
public SseEmitter generateStream(String userText) {
SseEmitter emitter = new SseEmitter();
CompletableFuture.runAsync(() -> {
try {
// 创建消息
var prompt = new Prompt(new UserMessage(userText));
// 使用 stream 方法获取流式响应
chatModel.stream(prompt)
.subscribe(
chunk -> {
try {
String content= chunk.getResult().getOutput().getText();
if (StringUtils.hasText(content)) {
// 发送消息到客户端
// 注意这里，我们直接发送 JSON 字符串，让 SseEmitter 自动添加 data: 前缀
emitter.send(Map.of("content", content));
}
} catch (IOException e) {
emitter.completeWithError(e);
}
},
error -> {
try {
emitter.send(Map.of("content", "发生错误: " + error.getMessage()));
} catch (IOException e) {
emitter.completeWithError(e);
} finally {
emitter.complete();
}
},
emitter::complete);
} catch (Exception e) {
emitter.completeWithError(e);
}
});
return emitter;
}
进阶：基于本地知识库生成准确回复
如果想让AI结合你们公司的特有业务知识进行回复，就需要把数据喂给大模型，回复的时候大模型会参考你给的数据进行筛选。
咱们看一下，当没有喂给大模型数据时，我问Redis 8.0发布了吗？它回答不了，因为它的训练数据截止到2023年。
Spring AI的向量数据库完美地解决了这个问题。
向量数据库
向量数据库是一种特殊类型的数据库，在 AI 应用程序中起着至关重要的作用。
在向量数据库中，查询不同于传统的关系数据库。 它们执行相似性搜索，而不是完全匹配。 当给定一个向量作为查询时，向量数据库会返回与查询向量“相似”的向量。 有关如何在高级别计算此相似性的更多详细信息，请参阅 向量相似性.
矢量数据库用于将数据与 AI 模型集成。 使用它们的第一步是将您的数据加载到矢量数据库中。 然后，当要将用户查询发送到 AI 模型时，首先检索一组类似的文档。 然后，这些文档用作用户问题的上下文，并与用户的查询一起发送到 AI 模型。 这种技术被称为检索增强生成 （RAG）。
Spring AI支持的向量数据库有19个之多，以后还会支持更多。
下面咱们就用Redis 8.0版本作为向量数据库来实现这个功能。推荐阅读：Redis 8.0 震撼发布：AI 时代的数据引擎，性能狂飙 112%！
1、添加依赖：
首先在pom.xml文件添加相关依赖：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-vector-store-redis</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-advisors-vector-store</artifactId>
</dependency>
2、添加配置：
spring:
application:
name:SpringAI-demo
ai:
zhipuai:
api-key:你的秘钥
vectorstore:
redis:
initialize-schema:true
index-name:custom-index
prefix:custom-prefix
data:
redis:
host:127.0.0.1#修改为你得Redis地址
port:6379 #修改为你得Redis端口
然后咱们把本地知识加载到向量数据库，为了方便演示，我这里在Bean加载时读取文件并存储到Redis。
如下代码加载resources/redis8.txt，这个txt文档介绍 Redis 在2025年5月份发布了8.0版本，一般大模型的训练数据在2023年或2024年，所以不会有Redis 8.0的信息，这样我们就能看出效果。
3、加载本地知识到向量数据库：
@Autowired
private VectorStore vectorStore;
@Autowired
private ZhiPuAiChatModel chatModel;
private static final String MARK_FILE_PATH="knowledge_base_added.mark";
private static final String DOCUMENT_FILE_PATH="src/main/resources/redis8.txt";
/**
* 在 Bean 初始化完成后执行，检查知识库文件是否更新，若更新则重新添加到向量存储中，并进行相似度搜索测试。
*/
@PostConstruct
public void addDocument() {
File markFile = new File(MARK_FILE_PATH);
File documentFile = new File(DOCUMENT_FILE_PATH);
// 检查文档文件是否存在
if (!documentFile.exists()) {
System.out.println("知识库文件不存在: " + DOCUMENT_FILE_PATH);
return;
}
// 检查标记文件是否存在，或者文档文件是否已更新
if (!markFile.exists() || documentFile.lastModified() > markFile.lastModified()) {
if (markFile.exists()) {
// 删除旧的标记文件
markFile.delete();
}
try {
Resource documentResource = new ClassPathResource("redis8.txt");
DocumentReader documentReader = new TextReader(documentResource);
List<Document> documents2 = documentReader.get();
TextSplitter textSplitter = new TokenTextSplitter(); // 按 Token 数分块
List<Document> chunks = textSplitter.split(documents2);
vectorStore.add(chunks);
// Retrieve documents similar to a query
List<Document> results = this.vectorStore
.similaritySearch(SearchRequest.builder().query("Spring").topK(5).build());
System.out.println("Similarity Search Results:" + results);
// 创建新的标记文件
markFile.createNewFile();
} catch (IOException e) {
e.printStackTrace();
}
}
}
客户端工具连接Redis查看：
4、结合本地知识库进行回复：
建立了本地知识库后，下一步就是在AI回复时要把本地知识库的内容利用起来。我们重新这个方法generateStreamWithLocal，具体代码如下：
/**
* 处理用户输入并通过服务器发送事件（SSE）返回聊天模型的流式响应。
* 使用 {@link QuestionAnswerAdvisor} 结合向量存储来提供更准确的回答。
*
* @param userText 用户输入的文本
* @return 用于发送 SSE 事件的 {@link SseEmitter} 对象
*/
public SseEmitter generateStreamWithLocal(String userText) {
SseEmitter emitter = new SseEmitter();
ChatClient.builder(chatModel)
.build().prompt()
.advisors(new QuestionAnswerAdvisor(vectorStore))
.user(userText)
.stream()
.chatResponse()
.subscribe(
chunk -> {
try {
String content= chunk.getResult().getOutput().getText();
if (StringUtils.hasText(content)) {
// 发送消息到客户端
// 注意这里，我们直接发送 JSON 字符串，让 SseEmitter 自动添加 data: 前缀
emitter.send(Map.of("content", content));
}
} catch (IOException e) {
emitter.completeWithError(e);
}
},
error -> {
try {
emitter.send(Map.of("content", "发生错误: " + error.getMessage()));
} catch (IOException e) {
emitter.completeWithError(e);
} finally {
emitter.complete();
}
},
emitter::complete);
return emitter;
}
修改Controller，当页面未勾选“本地知识库”时仍然调用Service层的generateStream方法，当勾选后调用generateStreamWithLocal：
/**
* 流式生成回复
*
* @param message
* @param local
* @return
*/
@GetMapping("/ai/generateStream")
public SseEmitter generateStream(@RequestParam String message, @RequestParam Boolean local) {
if (Boolean.FALSE.equals(local)) {
return vStoreService.generateStream(message);
}
return vStoreService.generateStreamWithLocal(message);
}
启动项目，咱们试验一下。效果如下，选中输入框下的本地知识库，然后发给AI同样的消息，它的回复就会结合咱们喂给它的数据。
结语
接下来我会继续完善这个项目，实现【上下文感知的智能回复生成】、【对话历史管理】敬请关注！
通过本次实战，我们不仅完成了从大模型对接到知识增强的完整技术闭环，更验证了Spring AI在企业级AI应用中的独特价值——5行代码对接主流大模型，20分钟构建知识增强管道，这正是Java开发者拥抱AI时代的利器。
技术永不眠，当你在实际部署中遇到embedding优化、RAG精度提升等深度问题时，欢迎在评论区留下你的实践思考。
关注【BiggerBoy】公众号，回复「AI全栈」获取本次工程源码！另外没关注的朋友，麻烦给北哥点个关注、转发，感谢支持😁！
