我要投稿

实战｜Spring +Milvus，Java也能实现的企业级文档问答RAG

发布日期：2025-06-22 15:48:05 浏览次数： 1532

作者：Zilliz

微信搜一搜，关注“Zilliz”

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:<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 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"