Spring AI + 本地知识库 RAG 实战：从零搭建咖啡店智能客服

<!-- Spring AI 核心包 -->
<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-core</artifactId>
  <version>1.0.0</version>
</dependency>

<!-- 阿里云 DashScope 适配（包含 ChatModel 和 EmbeddingModel 的具体实现） -->
<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
</dependency>

<!-- Markdown 文档读取器（用于加载 .md 知识库） -->
<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-markdown-document-reader</artifactId>
  <version>1.0.0</version>
</dependency>

<!-- RAG 所需的 Advisor（提供 QuestionAnswerAdvisor） -->
<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-advisors-vector-store</artifactId>
  <version>1.0.0</version>
</dependency>

<!-- 可选：Hutool 工具库（简化集合判空等） -->
<dependency>
  <groupId>cn.hutool</groupId>
  <artifactId>hutool-all</artifactId>
  <version>5.8.25</version>
</dependency>

<!-- Lombok 简化代码（可选） -->
<dependency>
  <groupId>org.projectlombok</groupId>
  <artifactId>lombok</artifactId>
  <optional>true</optional>
</dependency>

spring:
  ai:
    dashscope:
      api-key: ${DASHSCOPE_API_KEY}   # 替换为你的真实 API Key，建议用环境变量
      chat:
        options:
          model: qwen-plus
      embedding:
        options:
          model: text-embedding-v1    # 阿里云的 Embedding 模型

spring:
  ai:
    openai:
      api-key: ${OPENAI_API_KEY}
      chat:
        options:
          model: gpt-3.5-turbo
      embedding:
        options:
          model: text-embedding-ada-002

package tech.xinxinnote.superagent.rag;  // 请改成你自己的包名

import cn.hutool.core.collection.CollectionUtil;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.document.Document;
import org.springframework.ai.reader.markdown.MarkdownDocumentReader;
import org.springframework.ai.reader.markdown.config.MarkdownDocumentReaderConfig;
import org.springframework.core.io.Resource;
import org.springframework.core.io.support.ResourcePatternResolver;
import org.springframework.stereotype.Component;

import java.util.ArrayList;
import java.util.List;

@Component
@Slf4j
public class CoffeeDocumentLoader {

    private final ResourcePatternResolver resourcePatternResolver;

    public CoffeeDocumentLoader(ResourcePatternResolver resourcePatternResolver) {
        this.resourcePatternResolver = resourcePatternResolver;
    }

    /**
     * 加载 resources/document/*.md 下的所有 Markdown 文件，
     * 自动按四级标题（####）切分成多个 Document 对象
     */
    public List<Document> loadDocuments() {
        List<Document> allDocs = new ArrayList<>();
        try {
            // 获取 classpath:document/ 目录下所有 .md 文件
            Resource[] resources = resourcePatternResolver.getResources("classpath:document/*.md");
            for (Resource resource : resources) {
                String filename = resource.getFilename();
                // 配置解析规则：遇到水平线也作为新文档分界，不要包含代码块和引用块
                MarkdownDocumentReaderConfig config = MarkdownDocumentReaderConfig.builder()
                .withHorizontalRuleCreateDocument(true)   // 水平线也切分
                .withIncludeCodeBlock(false)             // 不把代码块单独作为一个文档
                .withIncludeBlockquote(false)            // 不把引用块单独作为文档
                .withAdditionalMetadata("filename", filename) // 存一个元数据，方便追溯
                .build();
                MarkdownDocumentReader reader = new MarkdownDocumentReader(resource, config);
                List<Document> documents = reader.get();
                if (CollectionUtil.isNotEmpty(documents)) {
                    allDocs.addAll(documents);
                }
            }
        } catch (Exception e) {
            log.error("加载文档失败", e);
        }
        return allDocs;
    }
}

package tech.xinxinnote.superagent.rag;

import cn.hutool.core.collection.CollectionUtil;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.document.Document;
import org.springframework.ai.embedding.EmbeddingModel;
import org.springframework.ai.vectorstore.SimpleVectorStore;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

import java.util.List;

@Configuration
@Slf4j
public class CoffeeVectorStoreConfig {

    @Autowired
    private CoffeeDocumentLoader coffeeDocumentLoader;

    /**
     * 创建一个基于内存的向量存储，并在启动时加载所有文档
     */
    @Bean
    public VectorStore coffeeVectorStore(EmbeddingModel embeddingModel) {
        SimpleVectorStore vectorStore = SimpleVectorStore.builder(embeddingModel).build();
        List<Document> documents = coffeeDocumentLoader.loadDocuments();
        if (CollectionUtil.isNotEmpty(documents)) {
            vectorStore.add(documents);
            log.info("成功加载 {} 个文档片段到向量存储", documents.size());
        } else {
            log.warn("没有加载到任何文档，请检查 resources/document/ 目录下是否有 .md 文件");
        }
        return vectorStore;
    }
}

package tech.xinxinnote.superagent.config;  // 你的包名

import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;
import org.springframework.ai.chat.client.advisor.vectorstore.QuestionAnswerAdvisor;
import org.springframework.ai.chat.memory.InMemoryChatMemoryRepository;
import org.springframework.ai.chat.memory.MessageWindowChatMemory;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;
import tech.xinxinnote.superagent.advisor.MyLoggerAdvisor;  // 自定义，可先去掉

@Component
@Slf4j
public class CoffeeApp {

    private final ChatClient chatClient;

    @Autowired
    private VectorStore coffeeVectorStore;

    /**
     * 系统提示词：定义 AI 的角色、职责、回答原则、禁止回答的内容
     */
    private static final String SYSTEM_PROMPT = """
    你是“醒石咖啡”的智能客服助手。你的职责是友好、专业地回答顾客关于门店信息、饮品菜单、优惠活动、服务流程、投诉建议等常规问题。

    回答原则：
    1. 优先使用知识库中的标准答案，若无法确定则主动建议顾客联系门店或查看官方小程序 https://blog.xinxinnote.tech。
    2. 对于员工内部制度（如奖惩、排班）、食品安全事故、法律纠纷等敏感问题，仅提供基础指引并转人工处理。
    3. 不编造任何超出已知范围的优惠、价格或库存信息。
    4. 保持礼貌、耐心，语气亲切但不过度热情。

    禁止回答的内容：
    - 顾客的个人隐私信息（如身份证号、银行卡号）
    - 对竞争对手的负面评价
    - 超出咖啡店业务范围的问题（如医疗建议、投资理财）

    当不确定时，统一回复：“您好，这个问题我需要帮您转接人工客服或您可到店咨询，感谢理解！”
    """;

    public CoffeeApp(ChatModel dashscopeChatModel) {
        // 配置多轮对话记忆：保留最近 20 条消息，使用内存存储
        MessageWindowChatMemory chatMemory = MessageWindowChatMemory.builder()
        .chatMemoryRepository(new InMemoryChatMemoryRepository())
        .maxMessages(20)
        .build();

        this.chatClient = ChatClient.builder(dashscopeChatModel)
        .defaultSystem(SYSTEM_PROMPT)                                // 设置系统提示词
        .defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build()) // 全局记忆
        .build();
    }

    /**
     * 带 RAG 增强的问答方法
     * @param message 用户输入的问题
     * @param chatId  会话ID（用于区分不同用户/对话窗口）
     * @return AI 回答内容
     */
    public String chatWithRAG(String message, String chatId) {
        return chatClient.prompt()
        .user(message)
        // 传递会话ID，让记忆 Advisor 知道这是哪个对话
        .advisors(spec -> spec.param(ChatMemory.CONVERSATION_ID, chatId))
        // （可选）自定义日志 Advisor，打印请求和响应详情
        .advisors(new MyLoggerAdvisor())
        // 关键！启用 RAG：QuestionAnswerAdvisor 会从 VectorStore 中检索相关文档并自动注入
        .advisors(new QuestionAnswerAdvisor(coffeeVectorStore))
        .call()
        .content();
    }
}

package tech.xinxinnote.superagent.app;  // 你的测试包路径

import org.junit.jupiter.api.Assertions;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import tech.xinxinnote.superagent.config.CoffeeApp;

import java.util.UUID;

@SpringBootTest
class CoffeeAppTest {

    @Autowired
    private CoffeeApp coffeeApp;

    @Test
    void chatWithRAG() {
        String chatId = UUID.randomUUID().toString();
        String message = "你们都有哪些品类的饮品？";

        // 注意：这个问题应该对应你文档中的问题1或问题2
        String answer = coffeeApp.chatWithRAG(message, chatId);

        Assertions.assertNotNull(answer);
        System.out.println("AI 回答：" + answer);
    }
}