海兰-CSDN博客

原创未来已来，只需一句指令，养龙虾专栏导航，持续更新ing......

同样也是保姆级，手把手，关键步骤均有截图。保姆级，手把手，关键步骤均有截图。保姆级，手把手，关键步骤均有截图。这是教AI“干活”的步骤。

2026-03-20 11:02:01 2807

原创【应用配置】OpenClaw 内存后端配置分析与部署

OpenClaw 内存后端技术解析 OpenClaw 的 AI 代理系统采用双层内存架构：短期记忆（会话上下文窗口）和长期记忆（跨会话持久化存储）。内存后端作为"外接硬盘+搜索引擎"，支持检索历史记忆并注入当前对话。官方提供两类内存后端：内置后端（Builtin/QMD）和插件后端（LanceDB/Honcho等）。Builtin 是默认方案，基于 SQLite 实现混合搜索（FTS5+向量），适合开箱即用场景。QMD 作为增强版边车进程，提供重排序、查询扩展和外部文件索引能力，支持完

2026-05-10 10:50:43 9

原创【第42篇】Graph - big-tool

文章摘要：《big-tool项目：AI工具调用实践》介绍了一个模拟人类使用计算器解决数学问题的AI系统。该项目通过Spring AI框架实现智能数学计算助手功能，核心是教会AI识别问题并自动调用Java Math类方法。系统架构分为四层：客户端发起请求后，控制器层初始化向量库存储Math方法信息，图计算层通过节点协作完成工具选择和计算执行，AI服务层提供语义理解支持。关键技术包括方法向量化存储、语义检索和反射调用，实现了从"25的5次方是多少"到9765625的自动求解。项目演示了函数

2026-05-10 08:00:00 96

原创【第41篇】Graph - ChatFlow 智能待办助手

本文介绍了ChatFlow智能待办事项助手的技术架构与实现原理。该系统基于Spring AI Alibaba Graph框架构建，具备多轮对话、意图识别和子图调用等核心功能。文章首先概述了项目的学习价值，将其定位为掌握Graph框架的关键示例；然后深入解析了Graph框架的三大核心概念：状态（State）、节点（Node）和边（Edge），阐述了它们如何协同工作；最后通过系统交互流程图展示了从用户输入到任务创建的全过程。该项目采用模块化设计，主图负责流程调度，子图处理具体任务，体现了良好的架构设计思想，是学

2026-05-10 07:15:00 203

原创某城商行理财子公司信息系统选型：POC验证思路

POC（Proof of Concept，概念验证）是在正式采购/立项前，用真实业务场景、真实数据、真实环境，对候选系统/方案进行的小范围、可量化、可复现的验证测试。维度Demo演示POC验证UAT验收目的展示功能亮点验证可行性确认交付质量数据厂商预制数据企业真实数据（脱敏）生产环境数据场景理想化流程核心业务痛点场景全功能覆盖周期1-2小时1-4周2-8周参与方厂商+IT业务+IT+厂商+合规业务+IT+厂商决策价值低（主观感受）高（客观数据）中（交付确认）解释。

2026-05-09 18:47:58 271

原创【第40篇】Graph 极简入门：用 stream‑node 玩转流式查询扩展

本文介绍了基于 Spring AI Alibaba Graph 框架的流式查询扩展实现。该项目通过单一节点架构，将用户输入（如"如何学 Java"）自动扩展为多个精准搜索变体（如"Java 零基础自学指南"）。系统采用流式输出技术，利用 Spring WebFlux 和 SSE 实现实时响应效果。核心架构包含 GraphStreamController、StateGraph 和 ExpanderNode 三个组件，支持从配置到执行的完整流程。文中详细解析了配置策略、节

2026-05-09 08:15:00 238

原创【第39篇】spring-ai-alibaba-graph-example学习路径概览

本文介绍了Spring AI Alibaba Graph示例项目的学习路径，将18个子模块按难度分为5个级别，从入门到专业级循序渐进。学习路径包括：流式处理基础、对话编排与工具调用、并行处理与人类介入、可中断工作流等中级特性，最终达到多智能体协作和MCP协议集成等专业水平。重点推荐从chatflow模块入手，建议通过实践运行代码、修改参数、绘制流程图来深入理解。项目提供了完整的官方文档和测试用例，适合开发者系统性学习AI应用开发。

2026-05-09 07:15:00 306

原创【第38篇-续】打造你的 AI 画师：Spring AI + OpenAI DALL·E 图像生成

走进一间崭新的画室，墙上挂着“OpenAI DALL·E 绘画示例”的牌子，但画架是空的，颜料还没挤出来。这就是项目的现状——一个配置正确、依赖齐全，唯独核心逻辑没有实现的 Spring Boot 工程。别担心，我们一起把它填满。在动手之前，我们先来理解这幅“设计蓝图”为什么这样画。

2026-05-08 08:30:00 314

原创某城商行理财子公司信息系统建设实施思路（2026）

理财子公司信息系统建设是一项复杂的系统工程，需要在监管合规、业务需求、技术架构、安全可控之间找到最佳平衡点。2026年监管环境持续收紧，信息科技在监管评级中的权重提升，信创改造进入深水区，大模型技术加速应用，这些都对理财子公司的信息系统建设提出了更高要求。已开业机构：重点优化系统性能，加强数据治理，提升监管评级中的信息科技得分筹建中机构：高起点规划，一步到位建设信创化、云原生、智能化的信息系统所有机构：保持对监管政策和技术趋势的持续跟踪，确保系统建设既满足当下需求，又具备面向未来的扩展能力。

2026-05-08 08:00:00 241

原创【第38篇】DashScope 图像生成

摘要本文介绍了如何利用Spring Boot 3和Spring AI Alibaba快速集成阿里云通义万相AI绘画功能。通过封装DashScope API，开发者可以轻松实现图像生成，无需处理复杂的底层细节。文章详细解析了Spring AI的图像生成抽象接口ImageModel和ImagePrompt的设计原理，并展示了三种实用功能：基础图像生成、批量生成变体和多条件定制。项目采用分层架构设计，包含Web层、Spring AI抽象层和云服务层，通过流式传输优化性能。示例代码演示了如何通过REST接口调用A

2026-05-08 08:00:00 355

原创【第37篇】Playground — 深度剖析

Spring AI Alibaba Playground 是一个基于Spring Boot 3.5.7和Spring AI的示例项目，整合了阿里云通义千问（DashScope）系列模型的多种AI能力。项目采用分层架构，前端使用React + Ant Design X，后端通过Spring AI抽象层对接DashScope SDK、百度API等服务。主要功能包括普通对话、深度思考对话、图片生成/理解、语音识别/合成、视频处理、联网搜索、知识库问答等，每个功能对应独立API和前端页面。后端通过ChatClien

2026-05-08 07:45:00 349

原创【第36篇】Translate Example

本文介绍了一个基于Spring AI和阿里云DashScope的翻译示例项目，展示了如何将大模型翻译能力集成到Spring Boot应用中。项目提供两种模型接入方式：本地Ollama服务和云端DashScope API，支持REST端点进行文件翻译、流式翻译等操作。文章详细说明了项目的快速部署方法，包括环境要求、构建步骤和模型后端选择（Ollama本地部署或DashScope云端服务）。在架构设计方面，项目采用Spring AI的统一抽象层，通过ChatClient和ChatModel实现多厂商支持，并利

2026-05-07 08:00:00 372

原创【第35篇】文本摘要微服务

本文介绍了一个基于Spring AI Alibaba框架的文本摘要微服务项目。该服务核心功能包括接收文本或文件（PDF/Word/TXT等）并自动生成摘要，通过调用阿里云DashScope平台的通义千问-turbo模型实现。项目结构简洁，仅包含4个主要文件：启动类、控制器、配置文件和构建配置。技术栈采用Spring Boot 3.x、Spring AI Alibaba适配器和Apache Tika文档解析。亮点在于通过ChatClient和简单Prompt即可集成大模型能力，开发者只需关注业务逻辑。文中还分

2026-05-07 07:30:00 387

原创【第34篇】文本分类示例

Spring AI Alibaba 文本分类项目摘要本项目演示了如何通过Spring AI Alibaba调用DashScope大模型实现文本分类功能。系统采用分层架构设计，包含客户端、控制器层、ChatClient抽象层和DashScope模型服务。核心功能包括基础Prompt分类、描述性Prompt分类、Few-shot学习分类以及结构化输出分类四种策略。项目亮点在于逐步展示了Prompt工程的演进过程，从简单指令到复杂Few-shot示例，最终实现结构化输出。关键技术点包括： Spring AI

2026-05-06 08:15:00 326

原创【第33篇】Text-to-SQL

本文介绍了一个基于Spring Boot和AI模型的Text-to-SQL应用，能够将自然语言问题转换为SQL查询并返回结果。系统采用分层架构，通过SQLController协调流程，包括加载数据库结构、调用AI模型生成SQL、验证安全性、执行查询等步骤。关键技术包括Spring AI集成、Prompt工程优化以及H2内存数据库的使用。文章详细解析了系统架构、核心组件职责以及提示模板设计原理，重点阐述了如何通过精心设计的Prompt引导AI模型准确生成SQL语句，同时确保查询安全性。该项目展示了AI与传统数

2026-05-06 07:15:00 450 2

原创【第32篇】场景示例项目

本文介绍了一个多模型并行对话系统的设计与实现。系统采用Spring Boot后端和Next.js前端架构，支持同时向本地Ollama和云端DashScope模型发起请求，并通过SSE实现流式响应。文章详细分析了项目结构、技术栈和核心功能，包括多模型并行回答、流式响应显示和对话记忆管理。同时指出了当前实现中的关键问题，如对话记忆丢失、VectorStore误用和前端请求去重不足等，并提供了相应的优化建议。该系统展示了如何构建一个实时交互的多AI咨询平台的技术方案。

2026-05-05 08:30:00 319

原创【第31篇】Chat AI Demo 智能对话平台

这不是一个简单的聊天机器人项目，而是一个。从普通的对话、带记忆的角色扮演，到能查课程、预约的智能客服，再到能读懂 PDF 的文档问答，甚至还有爬取并分析政府采购数据的图数据库应用……我会带着你，先理解它为什么这样设计，再一步步把它跑起来。

2026-05-05 07:30:00 346

原创【应用场景】openclaw元搜索引擎SearXNG搭建指南

SearXNG是一个开源的元搜索引擎，它通过聚合Google、Bing、百度等多个搜索引擎的结果，提供去重排序后的统一搜索体验。本文详细介绍了SearXNG的核心原理、技术优势以及部署方法。主要内容包括：元搜索引擎的工作原理及其打破信息茧房的价值；基于Docker容器的技术架构，通过Flask实现多源并发查询；部署前的环境准备，包括Docker安装、权限配置和国内网络优化方案；以及具体的部署步骤，从目录规划到docker-compose.yml编写，实现高可用的自托管搜索服务。文章特别强调了国内服务器的网络

2026-05-04 14:41:54 2058

原创【第30篇】数据分类分级智能体

本文介绍了一种基于Spring AI Alibaba构建的数据分类分级智能体解决方案。该系统通过大模型（通义千问）结合RAG（检索增强生成）和对话记忆技术，自动完成数据字段的分类与敏感度分级。用户只需输入字段名（如"身份证号"），系统即可返回分类路径、敏感等级（1-4级）及判断理由，支持多轮上下文对话。文章详细解析了系统架构，包括知识库向量化存储、对话记忆管理以及Advisor拦截器机制，并提供了Spring Boot实现代码示例。该方案显著提升了数据分类工作的效率和准确性，适用于企业数

2026-05-04 08:15:00 691

原创【第29篇】自定义观测处理器

本文介绍了如何利用Spring AI的ObservationHandler实现AI调用全流程的可观测性拦截。文章首先解释了ObservationHandler的作用，它能在AI调用前后插入自定义逻辑，如日志记录、数据脱敏、性能监控等。通过清晰的流程图展示了调用过程中onStart和onStop的拦截时机，并提供了优化的项目结构和配置建议。重点讲解了核心依赖的选择（推荐使用稳定版1.3.4而非里程碑版）和配置文件的详细说明，包括采样率、日志开关等参数的设置。最后给出了优化后的代码实现方案，解决了原项目中日志控

2026-05-04 07:45:00 677

原创【第28篇】可观测性实战：LangFuse 方案详解

本文介绍了如何为AI应用接入专有的可观测平台LangFuse，实现模型调用、Token消耗与成本的追踪。相比传统链路追踪系统，LangFuse能解析AI调用的语义字段，提供Token统计、成本分析等专用功能。文章详细展示了LangFuse的架构原理，并通过Spring AI示例项目演示了十分钟快速上手指南：从注册账号、配置环境到查看观测数据的完整流程。核心在于利用OpenTelemetry自动拦截AI调用，将数据上报至LangFuse云端，开发者无需额外编码即可获得AI专用的可视化分析面板。

2026-05-03 08:00:00 401

原创【第27篇】Micrometer + Zipkin

本文介绍了一个基于Spring AI Alibaba、Micrometer和Zipkin的开源AI应用可观测性方案。该方案解决了生产环境中AI调用的性能监控、错误诊断和成本控制问题，相比商业方案（如阿里云ARMS）具有零成本、数据自主的优势。技术架构包含用户层、Spring Boot应用层（控制器和AI服务）、可观测层（自动埋点）和观测后端（Zipkin），通过Micrometer采集指标，Brave实现链路追踪，并异步上报至Zipkin进行可视化分析。方案适用于追求核心功能、预算有限且重视数据自主权的场景

2026-05-03 07:30:00 376

原创【开篇】Spring AI、OpenClaw 和Hermes

摘要： Spring AI、OpenClaw和Hermes是三类定位不同的AI工具。Spring AI专注企业级Java生态的AI集成，强调安全合规；OpenClaw作为智能中枢，擅长跨平台连接与多技能调度；Hermes则侧重自主进化，适合长期个人助理场景。三者差异体现在核心定位（集成框架/智能网关/成长型智能体）、技术栈（Java/TS+Node.js/Python）及适用场景（企业业务/多平台调度/个性化服务）。选择需结合技术栈与需求，如Java团队选Spring AI，多技能调度用OpenClaw，长

2026-05-02 15:25:34 190

原创【指南】OpenClaw后台任务体系深入解读

摘要： OpenClaw的Background Tasks体系通过解耦任务、调度和会话，构建了一套完整的后台任务管理机制。核心设计包括：任务记录独立：所有后台执行均通过SQLite持久化存储，形成结构化活动账本，支持离线审计与状态追踪。状态机管理：任务生命周期明确定义为queued、running、succeeded/failed等状态，并通过5分钟容错机制避免误判。调度与执行分离：Cron/Heartbeat负责触发，Task Registry专注记录，会话层保留交互上下文，三者各司其职。该体系解

2026-05-02 12:34:17 247

原创【第26篇】阿里云 ARMS 可观测性实战

这篇文章介绍了如何从零开始搭建具备企业级可观测能力的AI应用。主要内容包括： AI应用可观测性特点：对比传统监控与AI监控的差异，指出AI应用需要追踪Token消耗、模型参数、Prompt内容等特有维度，调试难度更大。技术架构设计：采用四层架构（用户层、应用层、可观测层、基础设施层），通过ARMS Agent实现自动埋点采集，整合追踪、指标和日志数据。核心实现组件：包括Spring Boot Web、Micrometer OpenTelemetry桥接、阿里云ARMS观测组件和通义千问模型集成，形成完整

2026-05-02 08:00:00 414

原创 Keepalived+Nginx高可用架构部署指南（主备双机热备）

通过本文我们成功部署了Nginx+Keepalived的高可用架构。故障自动转移：当主服务器故障时，备用服务器在秒级内接管服务服务连续性：用户无感知，业务不中断健康检查机制：不仅监控服务器状态，还监控具体服务（Nginx）的可用性安全加固：使用普通用户运行Nginx，减少安全风险运维建议定期测试故障转移功能，确保高可用机制正常工作监控Keepalived和Nginx的日志，及时发现潜在问题建立完善的应急预案，包括手动切换流程考虑增加第三台服务器作为备用，实现更高可用性。

2026-05-02 07:30:00 259

原创将 Cursor 连接到生产日志：通过 Elastic MCP 服务器

本文介绍了如何通过Elastic的Model Context Protocol(MCP)解决开发中日志与代码脱节的问题。MCP作为开放标准，使AI客户端能连接外部数据源，实现生产日志与代码的直接关联。文章以电商搜索应用为例，展示了两种典型开发场景：通过Agent Builder创建工具分析前端筛选器使用情况，以及调试后端500错误。详细说明了工具创建过程、ES|QL查询语法，并提供了性能优化建议，如添加时间过滤参数和服务名参数化。整体架构上，Cursor通过mcp-remote桥接连接到Kibana的MCP

2026-05-01 14:23:02 503

原创 Redis 安装与高可用架构配置

本文详细介绍了Redis高可用集群的搭建过程，包括编译安装、主从复制配置和哨兵集群部署。主要内容：准备工作：创建目录并上传Redis源码包，解压后进入源码目录进行编译安装，处理可能出现的编译问题。环境配置：设置Redis环境变量，方便全局调用命令。基础配置：详细说明redis.conf关键配置项的修改建议，包括访问控制、端口设置和数据存储等。主从架构搭建：规划1主2从的部署方案，分别配置主节点和从节点的参数，确保复制关系正确建立。哨兵高可用：部署3个哨兵实例监控主从状态，配置sentinel.co

2026-05-01 06:52:04 274

原创某城商行理财子信息系统建设构想

摘要：XX理财子公司构建"数智资管"体系，通过六大核心板块实现数字化转型。系统架构采用"6+1"模式，覆盖产品营销、投资管理、产品运营、信披报送、风险合规和业务支撑。重点包括：直销系统建设实现全渠道触达；投资管理系统打造投前-投中-投后闭环；资金清算系统确保交易安全；风险管理系统建立三道防线。同时强调从母行独立运营需打好科技基建、数据迁移和系统解耦三大硬仗，包括机房网络规划、历史数据迁移和核心系统重构。建议采用渐进式建设路径，先夯实基础再拓展智能应用，最终实现运营效率

2026-05-01 06:50:39 228

原创 WebLogic12C集群环境部署与优化指南

文章摘要本文详细介绍了WebLogic集群环境的搭建过程，涵盖用户权限体系设计、环境变量配置、集群架构规划和域创建等关键步骤。通过创建tht和weblogic用户组实现权限隔离，配置JDK和Oracle环境变量确保运行环境，使用WLST脚本自动化创建WebLogic域，并设置安全凭证和管理服务器。文章重点讲解了775/640权限设置、nohup日志管理、NodeManager配置等企业级实践，为构建高可用的4节点WebLogic集群提供了完整解决方案，特别强调了权限管理和安全配置的最佳实践。

2026-04-30 09:54:13 414

原创【第25篇】A2A 代理部署指南优化版（Python 实现）

本文基于 Apache Nacos 实现 Agent-to-Agent 动态通信，重构了传统硬编码 IP 直连模式。通过 Nacos 服务注册与发现机制，实现代理间的动态寻址、配置解耦和弹性扩展。文章详细解析了 A2A 通信的核心流程（注册-发现-调用闭环），并补充了原指南中缺失的关键技术细节，包括服务注册元数据、长轮询发现机制和配置集中化管理。提供了优化后的系统架构图、环境要求和项目结构说明，特别修正了原指南中的概念混淆问题（如配置存储与可扩展性的关系），并更新了 Python SDK 推荐版本。所有方案

2026-04-30 07:30:00 80

原创【第24篇】NL2SQL自然语言提问，AI 自动转换成 SQL 查询数据库，并返回结果

NL2SQL：自然语言转SQL查询系统该系统通过AI将用户自然语言问题自动转换为SQL查询数据库并返回结果。核心架构包含三个模块： Chat模块：接收用户查询，通过Graph工作流编排处理流程（表结构检索→SQL生成→执行查询） Vector-Management模块：管理数据库表结构向量化存储，支持快速检索 MCP模块：模型上下文协议服务器技术栈采用Spring Boot+Spring AI Alibaba，结合通义千问大模型和向量数据库，通过状态图实现可调试、带校验的工作流。系统亮点在于智能解析用户

2026-04-29 20:18:45 231

原创【第23篇】Nacos 动态 Prompt 管理

摘要：本文提出了一种动态管理AI提示词(Prompt)的方案，通过Nacos配置中心实现无需重启应用即可实时修改AI行为。传统修改Prompt需要30分钟到几小时的流程，该方案仅需30秒即可完成配置更新。系统采用Spring Boot+Spring AI Alibaba+Nacos+DashScope技术栈，支持配置热更新、集中管理、版本追溯等能力。核心组件包括启动入口、控制器和配置文件，通过Nacos监听机制实现Prompt模板的动态加载。该方案显著提升了AI应用迭代效率，适用于需要频繁调整AI行为的场景

2026-04-29 11:55:48 217

原创【第22篇】Evaluation Example

本文介绍了Spring AI Alibaba Evaluation Example，这是一个基于Spring AI框架的大语言模型(LLM)应用评估工具链。该系统采用三维度评估体系（准确性验证、性能观测、成本核算），通过管道化评估设计解决LLM应用落地中的核心痛点。文章详细解析了系统架构设计，包括输入层、核心评估引擎和输出层，并深入阐述了评估指标体系的三大维度：准确性（从精确匹配到语义相似度计算）、性能（重点关注P95/P99延迟而非平均值）和成本（综合考虑Token经济学和优化策略）。最后针对报告卡生成器

2026-04-28 22:08:37 317

原创【第21篇】 Chat Memory Example

本文介绍了一个基于Spring AI Alibaba生态构建的对话记忆示例项目。该项目通过Spring AI的Advisor机制实现上下文记忆功能，支持多轮连贯对话。核心架构包含客户端层、网关层、业务服务层、记忆管理层和AI框架层，采用Redis作为会话缓存，支持阿里云百炼或通义千问作为模型服务。关键技术包括ChatMemory接口实现、Advisor机制的无侵入记忆注入，以及完整的记忆流转流程。项目提供了会话隔离、透明集成、可插拔存储等特性，是一个生产就绪的LLM应用解决方案。

2026-04-28 22:04:51 1085

原创 Elastic 基于 Agentic 架构与 MCP 的 Kubernetes 智能可观测性深度解析

本文介绍了基于AI代理(Agentic)的可观测性系统，通过MCP协议实现AI模型与Elastic Stack的深度集成。系统包含6个核心工具视图：集群健康总览提供全局状态；服务依赖图谱可视化调用关系；异常详情展示机器学习检测结果。架构上，MCP层连接AI客户端与Elastic数据源，支持主动监控、根因分析和智能引导。相比传统工具"人找数据"的模式，该系统实现"数据找人"的闭环，由AI自主完成异常检测和排查。关键技术包括无监督学习算法、结构化数据注入和自适应视图渲染。

2026-04-27 21:08:22 442

原创【应用】openclaw之图片、pdf等OCR识别转文字web服务

本文介绍了一个基于Tesseract OCR和Flask的轻量级文档转换服务，支持将PDF/图片转为Markdown文本。该系统采用前后端分离架构，提供文件上传、OCR识别、预览和管理功能，支持批量操作和实时进度显示。部署简单，只需安装Tesseract和Python依赖即可运行。项目开源，适合需要低成本OCR解决方案的用户，避免了商业服务的收费问题。核心优势在于零代码使用体验，用户只需上传文件即可自动获取转换结果。

2026-04-27 07:45:00 717

原创【第20篇】Chat Example

本文介绍了Spring AI Alibaba Chat Example项目的技术架构与核心原理。该项目通过Spring AI统一抽象层实现多模型无缝接入，支持阿里云DashScope、Ollama等多种大语言模型服务。项目基于Spring Boot 3.x构建，采用分层设计：底层通过ChatModel接口对接不同供应商API，上层通过ChatClient提供流畅的编程接口，支持同步/异步调用和流式输出。项目利用Spring Boot自动配置机制实现"零代码切换模型"，并通过多模块Mave

2026-04-26 08:00:00 371

原创【第19篇】手把手教你搭建 AI 的长期记忆：Mem0

本文介绍了Mem0（Memory for AI Agents），这是一个为AI智能体设计的长期记忆层系统。Mem0通过语义理解和分层存储机制，使AI能够记住用户信息、偏好和对话历史。相比普通数据库或RAG技术，Mem0具有三大优势：存储提取后的语义事实而非原始文本、支持三维隔离（用户/智能体/会话）、采用向量+图双引擎存储。技术架构上，Mem0由Spring Boot应用、Mem0 Server、PostgreSQL（pgvector）和Neo4j图数据库组成，通过语义提取引擎和大模型服务实现记忆的智能存

2026-04-26 07:30:00 442

原创【第18篇】玩转RAG之Milvus RAG

本文详细介绍了基于Spring AI Alibaba和Milvus构建RAG问答系统的完整方案。系统采用检索增强生成技术，通过Milvus向量数据库实现语义检索，将相关文档作为上下文注入Prompt，显著提升大模型回答的准确性。文章从架构设计入手，剖析了数据流转流程，重点讲解了配置层、数据预热层和系统角色层三大核心组件。其中，application.yml配置了关键参数如向量维度、相似度算法等；VectorDataInit实现启动时自动加载知识库；PromptConfiguration则定义了大模型的角色设

2026-04-25 08:00:00 383