在企业数字化转型的浪潮中，PDF、Word 等海量文档往往沉睡在各个业务系统中，形成“数据孤岛”，难以被智能系统高效利用。
那么，如何构建一个真正面向企业场景落地的 AI 应用，让 AI 成为企业的“智能助手”？本项目提供一套基于 Spring 框架的完整解决方案，结合文档 ETL、向量检索与 RAG 问答技术，覆盖从数据导入到智能对话的全链路实践。
与其他演示不同，本项目强调企业级能力建设——包括 API 安全控制、指标可观测性等工程化特性。借助 Spring 强大的生态系统与 Java 社区对“高可维护、高可扩展系统”的成熟支持，我们将打造一个真正适合在企业环境中上线运行的 AI 应用。
- 框架：Spring Boot 3.5.0 + Spring AI 1.0.0
- 语言：Java 17（长期支持）
- AI 模型：腾讯混元，或者百度千帆（OpenAI 接口兼容）
- 向量存储：Milvus（高性能语义检索）
- 工具链：Docker、Micrometer、Testcontainers
示例代码仓库 https://github.com/topikachu/spring-ai-rag
# 验证 Docker 是否正常运行
$ docker version
$ docker ps
$ java -version- 免费额度友好：国内云厂商都会免费提供调用额度，满足我们代码的测试需求
- 腾讯混元可以使用 hunyuan-turbos-latest 和 hunyuan-embedding
- 百度千帆可以使用 ernie-3.5-128k 和 tao-8k
- 接口兼容：与 Spring AI 的 OpenAI 接口高度兼容，几乎零开发成本切换
- 腾讯混元
- 百度千帆
spring.ai.openai.base-url=https://api.hunyuan.cloud.tencent.com
spring.ai.openai.chat.options.model=hunyuan-turbos-latest
spring.ai.openai.embedding.options.model=hunyuan-embedding
spring.ai.openai.embedding.options.dimensions=1024
spring.ai.vectorstore.milvus.embedding-dimension=1024
- 实操建议：用在线模型 API 工具验证密钥有效性，再接入项目。
- 不要在代码或者配置文件里硬编码 API KEY，更不要提交到代码仓库。在生产中考虑使用环境变量。
- 百度千帆tao-8k 嵌入模型仅支持单条输入，需调整分块逻辑，确保每次请求一个文档段落，下文有代码示例。
- DocReader：使用
TikaDocReader读取 PDF/Word 等 - TextSplitter：基于 token 分块，控制上下文长度
- 向量生成：调用兼容openai的嵌入模型接口
- 存入向量库：Milvus 自动管理
public Flux<Document> ingestionFlux() {
return documentReader.getDocuments()
.flatMap(document -> {
var processChunks = Mono.fromRunnable(() -> {
var chunks = textSplitter.apply(List.of(document));
vectorStore.write(chunks); // expensive operation
}).subscribeOn(Schedulers.boundedElastic());
return Flux.concat(
Flux.just(document),
processChunks.then(Mono.empty())
);
})
.doOnComplete(() -> log.info("RunIngestion() finished"))
.doOnError(e -> log.error("Error during ingestion", e));
}✅ 注意：使用百度千帆嵌入 API 仅支持单文档请求，需确保 ETL 实现为“单文档单请求”。
@Bean
@Profile("single-document-batching")
BatchingStrategy singleDocumentBatchingStrategy() {
return documents -> documents.stream().map(List::of).toList();
}spring.ai.vectorstore.milvus.initialize-schema=true
spring.ai.vectorstore.milvus.embedding-dimension=1024
📌 说明：例如用户问“刘备结义排第几”，Milvus 会返回相关文档段落，再由语言模型生成自然语言答案。
- 用户提问
- 向量检索相关段落
- 加载对话记忆（Redis）
- 生成 AI 回答
public ChatClient.ChatClientRequestSpec input(String userInput, String conversationId) {
return chatClient.prompt()
.advisors(
messageChatMemoryAdvisor,
retrievalAugmentationAdvisor
)
.advisors(spec -> spec.param(CONVERSATION_ID, conversationId))
.user(userInput);
}📌 提升前端体验：使用 stream 接口返回 Flux，通过 SSE 实现打字机效果：
public Flux<String> stream(String userInput, String conversationId) {
return input(userInput, conversationId)
.stream().content();
}@PostMapping(path = "/chat", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<String> chat(@RequestBody ChatRequest chatRequest, @RequestParam() String conversationId, Principal principal) {
var conversationKey = String.format("%s:%s", principal.getName(), conversationId);
return chatService.stream(chatRequest.userInput, conversationKey)
.doOnError(exp -> log.error("Error in chat", exp));
}@Override
protected void configure(HttpSecurity http) throws Exception {
http
.httpBasic()
.and()
.authorizeRequests(authz -> authz
.antMatchers("/api/v1/index").hasRole("ADMIN")
.anyRequest().authenticated()
);
}✅ 企业级加固：在正式的生产环境中建议升级为 OAuth2 / JWT 认证方案。
📌 链路追踪：本项目使用 OpenTelemetry JavaAgent，覆盖 Chat → Milvus → 模型调用的全链路调用追踪（grpc 调用链关键）
-javaagent:<path/to/opentelemetry-javaagent.jar> \
-Dotel.metrics.exporter=none \
-Dotel.logs.exporter=none
📌 指标监控：使用 Micrometer 自动暴露 Prometheus 指标，比如：
- 模型响应时间
# HELP gen_ai_client_operation_seconds
# TYPE gen_ai_client_operation_seconds summary
gen_ai_client_operation_seconds_count{...} 1
- 向量检索耗时
# HELP db_vector_client_operation_seconds
# TYPE db_vector_client_operation_seconds summary
db_vector_client_operation_seconds_count{...} 1
management.endpoints.web.exposure.include=prometheus
📌 Tip：Spring Boot 3.2 引入 OTEL starter，但由于不能覆盖 gRPC（Milvus client）调用链，本项目采用 JavaAgent 接入方式，以确保完整链路追踪。
请修改 腾讯混元APIKEY
export OPENAI_API_KEY=<腾讯混元APIKEY>
export SPRING_PROFILES_ACTIVE=hunyuan
mvn clean test package
docker compose up -d
java -javaagent:target/otel/opentelemetry-javaagent.jar -Dotel.metrics.exporter=none -Dotel.logs.exporter=none -Dinput.directory=$PWD/src/test/resources/corpus -jar target/rag-0.0.1-SNAPSHOT.jar
curl --location 'localhost:8080/api/v1/index' \
--user "admin:password" \
--header 'Content-Type: application/json' \
--data '{}'
curl --location 'localhost:8080/api/v1/chat?conversationId=flat' \
--header 'Content-Type: application/json' \
--user "user:password" \
--data '{
"userInput": "Does milvus support FLAT type index?"
}'
curl --location 'localhost:8080/api/v1/chat?conversationId=flat' \
--header 'Content-Type: application/json' \
--user "user:password" \
--data '{
"userInput": "When shall I use this index type?"
}'
curl --location 'localhost:8080/api/v1/chat?conversationId=hnsw' \
--header 'Content-Type: application/json' \
--user "user:password" \
--data '{
"userInput": "Does milvus support HNSW type index?"
}'
curl --location 'localhost:8080/api/v1/chat?conversationId=hnsw' \
--header 'Content-Type: application/json' \
--user "user:password" \
--data '{
"userInput": "When shall I use this index type?"
}'
curl "http://localhost:8080/actuator/prometheus"打开 trace 界面 http://localhost:16686/，可以查看调用的 tracing 情况，如下图
从文档解析到智能对话，这个项目不仅仅是技术的堆叠，更是一次工程实践与 AI 认知的结合。通过 Spring AI + 向量数据库 + 企业级安全与可观测性，真正打通了“知识沉淀 → 智能服务”的链路。
如果你也在探索 AI 与企业系统的融合，欢迎留言交流，一起构建更智能、更可靠的未来系统。