别再迷信 Python 了！Java + Spring + Milvus，这才是企业级 RAG 的终极形态！-洪萨配资

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.com spring.ai.openai.chat.completions-path=/v2/chat/completions spring.ai.openai.chat.options.model=ernie-3.5-128k spring.ai.openai.embedding.embeddings-path=/v2/embeddings spring.ai.openai.embedding.options.model=tao-8k spring.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”。

@Bean BatchingStrategy 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=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。

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：

@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。 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:<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 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 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=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

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。

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。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

大模型 AI 能干什么？
大模型是怎样获得「智能」的？
用好 AI 的核心心法
大模型应用业务架构
大模型应用技术架构
代码示例：向 GPT-3.5 灌入新知识
提示工程的意义和核心思想
Prompt 典型构成
指令调优方法论
思维链和思维树
Prompt 攻击和防范
…

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

为什么要做 RAG
搭建一个简单的 ChatPDF
检索的基础概念
什么是向量表示（Embeddings）
向量数据库与向量检索
基于向量检索的 RAG
搭建 RAG 系统的扩展知识
混合检索与 RAG-Fusion 简介
向量模型本地部署
…

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

为什么要做 RAG
什么是模型
什么是模型训练
求解器 & 损失函数简介
小实验2：手写一个简单的神经网络并训练它
什么是训练/预训练/微调/轻量化微调
Transformer结构简介
轻量化微调
实验数据集的构建
…

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
…

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

springboot基于JAVA的航空机票预定管理系统

别再迷信 Python 了！Java + Spring + Milvus，这才是企业级 RAG 的终极形态！

技术栈速览

环境配置避坑指南

为什么选百度千帆？

关键配置（application.properties）

处理流程：

示例代码：

向量存储：用 Milvus 实现“秒级语义检索”

配置示例：

RAG 对话：结合知识库与上下文的智能问答

核心逻辑：

对话向量检索与记忆集成示例：

API 安全加固

权限控制示例：

如何学习大模型 AI ？

第一阶段（10天）：初阶应用

第二阶段（30天）：高阶应用

第三阶段（30天）：模型训练

第四阶段（20天）：商业闭环

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【`保证100%免费`】

威斯康星大学突破：AI实现多角度洪水监测能力

阿宅QR轻量二维码生成系统源码

延吉口碑好的烤肉哪家好吃

最新实测9款AI论文生成器！查重率从82%骤降至5%，限时公开！

（167页PPT）制造业精益数字化转型解决方案（附下载方式）

技术栈速览

环境配置避坑指南

为什么选百度千帆？

关键配置（application.properties）

处理流程：

示例代码：

向量存储：用 Milvus 实现“秒级语义检索”

配置示例：

RAG 对话：结合知识库与上下文的智能问答

核心逻辑：

对话向量检索与记忆集成示例：

API 安全加固

权限控制示例：

如何学习大模型 AI ？

第一阶段（10天）：初阶应用

第二阶段（30天）：高阶应用

第三阶段（30天）：模型训练

第四阶段（20天）：商业闭环

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

springboot基于JAVA的航空机票预定管理系统

威斯康星大学突破：AI实现多角度洪水监测能力

阿宅QR轻量二维码生成系统源码

延吉口碑好的烤肉哪家好吃

最新实测9款AI论文生成器！查重率从82%骤降至5%，限时公开！

（167页PPT）制造业精益数字化转型解决方案（附下载方式）

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【`保证100%免费`】