Spring AI 应用开发

原创已于 2025-05-15 23:34:54 修改 · 718 阅读

15 ·

CC 4.0 BY-SA版权

文章标签：

#开发语言 #java #redis #数据库

于 2025-05-14 23:02:17 首次发布

Spring AI 应用开发

一、应用背景

项目场景
基于 "铁路智能运维管理系统"，AI 应用聚焦于 "铁路设备维修" 功能模块及专业知识顾问场景，辅助管理人员与用户完成日常数据维护。

二、开发准备工作

（一）环境要求

基础依赖
- Spring Boot 版本：3.2.x 及以上
- JDK 版本：JDK 17 及以上

大模型配置（以 ZhiPu AI 为例）

xml

<!-- ZhiPu AI依赖 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-zhipuai-spring-boot-starter</artifactId>
</dependency>

application.yml 配置

yaml

spring:
  application:
    name: railway-Ai
  ai:
    zhipuai:
      chat:
        enabled: true
        options:
          model: GLM-4-Air
      base-url: http://open.bigmodel.cn/api/paas
      api-key: your-api-key  # 替换为实际API密钥
      embedding:
        enabled: true
        model: embedding-2

三、核心功能实现

（一）普通聊天对话

关键组件注入

java

@Autowired
private ZhiPuAiChatModel chatModel;
@Autowired
private ChatMemory chatMemory; // 聊天记忆管理

对话逻辑代码

java

public String chatByVectorStore(String message) {
    return ChatClient.builder(chatModel)
            .defaultSystem(PROFESSIONAL_SYSTEM_PROMPT) // 设置系统提示词
            .build()
            .prompt()
            .advisors(new MessageChatMemoryAdvisor(chatMemory)) // 启用聊天记忆
            .user(message)
            .call()
            .content();
}

内存配置（ChatMemory Bean）

java

@Configuration
public class ChatClientConfig {
    @Bean
    public ChatMemory chatMemory() {
        return new InMemoryChatMemory(); // 内存存储聊天历史
    }
}

（二）检索增强生成（RAG）

矢量数据库配置（Redis Stack）

yaml

spring:
  vectorstore:
    redis:
      index: my_vector_index       # 索引名称
      prefix: chatbot              # 键前缀
      initialize-schema: true      # 自动初始化模式
  data:
    redis:
      host: 127.0.0.1              # Redis地址
      port: 6379                   # 端口

PDF 解析与知识库构建

xml

<!-- PDF解析依赖 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-pdf-document-reader</artifactId>
</dependency>

服务层实现（PDF 分割与存储）

java

public void saveSourceByPage(String url) {
    Resource resource = resourceLoader.getResource(url);
    PdfDocumentReaderConfig config = PdfDocumentReaderConfig.builder()
            .withPagesPerDocument(1) // 按页分割
            .build();
    PagePdfDocumentReader reader = new PagePdfDocumentReader(resource, config);
    vectorStore.accept(tokenTextSplitter.apply(reader.get())); // 存入矢量数据库
}

RAG 对话逻辑

java

public String chatByVectorStore(String message) {
    return ChatClient.builder(chatModel)
            .defaultSystem(PROFESSIONAL_SYSTEM_PROMPT)
            .build()
            .prompt()
            .advisors(
                new MessageChatMemoryAdvisor(chatMemory),
                new QuestionAnswerAdvisor(vectorStore) // 启用矢量数据库检索
            )
            .user(message)
            .call()
            .content();
}

（三）工具调用（Tool Calling）

工具配置类（ToolConfig）

java

@Service
public class ToolConfig {
    // 获取当前时间工具
    @Tool(name = "获取当前时间", description = "返回用户当前的日期时间")
    public String getCurrentDateTime() {
        return LocalDateTime.now().format(DateTimeFormatter.ISO_LOCAL_DATE_TIME);
    }

    // 发送维修通知邮件工具
    @Tool(name = "发送邮件", description = "根据设备信息生成维修通知邮件")
    public void sendMail(
        @ToolParam("设备信息列表") List<Map<String, String>> maintInfoList,
        @ToolParam("维修天数") Integer day,
        @ToolParam("接收工号列表") List<String> emailList
    ) {
        // 业务逻辑：转换参数并调用Feign客户端发送邮件
    }
}

工具调用集成

java

public String invokeTool(String message) {
    return ChatClient.create(chatModel)
            .prompt()
            .advisors(new MessageChatMemoryAdvisor(chatMemory))
            .user(message)
            .tools(toolConfig) // 注入工具配置
            .call()
            .content();
}

四、功能测试与效果展示

（一）RAG 功能测试

测试数据：铁路设备维修规范 PDF 片段（示例内容如图 1 所示）
预期效果：AI 基于知识库返回设备验收标准、安装条件等相关解答。

（二）工具调用测试

信息检索场景
- 用户指令："查询需要维修的设备"
- 返回结果：AI 调用getExpire()工具，返回待维修设备列表（如馈线、隔离开关等）。
行动执行场景
- 用户指令："发送邮件通知维修避雷器，5 天后，工号 123457"
- 执行结果：AI 调用sendMail()工具，生成维修通知邮件并发送（如图 2 所示）。