实战｜Spring +Milvus，Java也能实现的企业级文档问答RAG-CSDN博客

本文链接：https://blog.csdn.net/Python_cocola/article/details/148618743

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。

技术栈速览

框架：Spring Boot 3.5.0 + Spring AI 1.0.0
语言：Java 17（长期支持）
AI 模型：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

环境配置避坑指南

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

为什么选百度千帆？

免费额度友好：ernie-3.5-128k 和 tao-8k 均可免费试用
接口兼容：与 Spring AI 的 OpenAI 接口高度兼容，几乎零开发成本切换
在线模型列表： https://console.bce.baidu.com/qianfan/ais/console/onlineService
申请模型API Key： https://console.bce.baidu.com/iam/#/iam/apikey/list

关键配置（application.properties）

spring.ai.openai.base-url=https://qianfan.baidubce.comspring.ai.openai.chat.completions-path=/v2/chat/completionsspring.ai.openai.chat.options.model=ernie-3.5-128kspring.ai.openai.embedding.embeddings-path=/v2/embeddingsspring.ai.openai.embedding.options.model=tao-8kspring.ai.openai.api-key=${OPENAI_API_KEY}spring.ai.model.embedding=openai

实操建议：

用在线模型API工具验证密钥有效性，再接入项目。
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。
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。

文档 ETL：非结构化数据结构化处理

处理流程：

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 tao-8k 接口
存入向量库：Milvus 自动管理

示例代码：

  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：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”。

@BeanBatchingStrategy singleDocumentBatchingStrategy() {  return documents -> documents.stream().map(List::of).toList();}

向量存储：用 Milvus 实现“秒级语义检索”

配置示例：

spring.ai.vectorstore.milvus.initialize-schema=truespring.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。

RAG 对话：结合知识库与上下文的智能问答

核心逻辑：

用户提问
向量检索相关段落
加载对话记忆（Redis）
生成 AI 回答

对话向量检索与记忆集成示例：

public ChatClient.ChatClientRequestSpec input(String userInput, String conversationId) {  return ChatClient.builder(chatModel)          .build().prompt()          .advisors(                  new QuestionAnswerAdvisor(vectorStore),                  MessageChatMemoryAdvisor.builder(chatMemory).build()          )          .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));}

API 安全加固

权限控制示例：

@Overrideprotected 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。系统可观察性链路追踪：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: \-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 summarygen_ai_client_operation_seconds_count{...} 1向量检索耗时# HELP db_vector_client_operation_seconds# TYPE db_vector_client_operation_seconds summarydb_vector_client_operation_seconds_count{...} 1配置：

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。

export OPENAI_API_KEY=<百度千帆APIKEY>mvn clean test packagedocker compose up -djava -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.jarcurl --location 'localhost:8080/api/v1/index' \--user "admin:password" \--header 'Content-Type: application/json' \--data '{}'curl --location 'localhost:8080/api/v1/chat?conversationId=liubei' \--header 'Content-Type: application/json' \--user "user:password" \--data '{    "userInput": "刘备结义时排第几？"}'curl --location 'localhost:8080/api/v1/chat?conversationId=liubei' \--header 'Content-Type: application/json' \--user "user:password" \--data '{    "userInput": "他哪里人？"}'curl --location 'localhost:8080/api/v1/chat?conversationId=guanyu' \--header 'Content-Type: application/json' \--user "user:password" \--data '{    "userInput": "关羽结义时排第几？"}'curl --location 'localhost:8080/api/v1/chat?conversationId=guanyu' \--header 'Content-Type: application/json' \--user "user:password" \--data '{    "userInput": "他哪里人？"}'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

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述