1. 项目依赖配置

首先需要在 pom.xml 中添加 SpringAI 相关依赖。以下是关键依赖项：

xml

<!-- SpringAI 核心依赖 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-core</artifactId>
    <version>0.8.0</version>
</dependency>

<!-- SpringAI 智谱 AI 支持 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-zhipuai</artifactId>
    <version>0.8.0</version>
</dependency>

<!-- SpringAI Redis 向量存储支持 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-vectorstore-redis</artifactId>
    <version>0.8.0</version>
</dependency>

<!-- 其他必要依赖 -->
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-data-redis</artifactId>
</dependency>
<dependency>
    <groupId>org.springframework.cloud</groupId>
    <artifactId>spring-cloud-starter-alibaba-nacos-discovery</artifactId>
</dependency>

知识总结：这些依赖提供了 SpringAI 的核心功能、智谱 AI 模型支持、Redis 向量存储以及项目所需的基础组件（如 Web 服务和服务发现）。

2. 应用配置

在 application.yml 中配置 SpringAI 和相关服务：

yaml

server:
  port: 8081

spring:
  application:
    name: railway-Ai
  
  # SpringAI 配置
  ai:
    zhipuai:
      chat:
        enabled: true
        options:
          model: GLM-4-Air  # 使用的智谱 AI 模型
      base-url: http://open.bigmodel.cn/api/paas
      api-key:   # 智谱 AI API 密钥
      embedding:
        enabled: true
        base-url: http://open.bigmodel.cn/api/paas
        api-key:   # 智谱 AI API 密钥
        options:
          model: embedding-2  # 使用的智谱 AI 嵌入模型
    
    # Redis 向量存储配置
    vectorstore:
      redis:
        index: my_vector_index  # 向量索引名称
        prefix: chatbot  # 键前缀
        initialize-schema: true  # 自动初始化模式
  
  # Redis 配置
  data:
    redis:
      host: 121.43.138.23
      database: 0
      port: 6379
  
  # Nacos 服务发现配置
  cloud:
    nacos:
      discovery:
        server-addr: 121.43.138.23:8848
        namespace: public
        group: DEFAULT_GROUP

知识总结：

• spring.ai.zhipuai 部分配置了智谱 AI 的连接信息和使用的模型
• spring.ai.vectorstore.redis 配置了 Redis 向量存储的参数
• Redis 和 Nacos 是项目运行的基础设施，分别用于向量存储和服务注册发现

3. 核心组件配置

配置聊天内存和文本分割器：

java

// ChatClientConfig.java
import org.springframework.ai.chat.ChatMemory;
import org.springframework.ai.chat.inmemory.InMemoryChatMemory;
import org.springframework.ai.text.splitter.TokenTextSplitter;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class ChatClientConfig {

    @Bean
    ChatMemory chatMemory() {
        return new InMemoryChatMemory();
    }

    @Bean
    public TokenTextSplitter tokenTextSplitter() {
        return new TokenTextSplitter();
    }
}

知识总结：

• ChatMemory 用于存储对话历史，支持对话上下文感知
• TokenTextSplitter 将文本分割为合适的 token 块，便于向量嵌入处理

4. 数据处理与向量存储

实现 PDF 文件内容提取并存储到向量数据库：

java

// PdfStoreServiceImpl.java
import org.springframework.ai.document.Document;
import org.springframework.ai.document.DocumentReader;
import org.springframework.ai.document.PagePdfDocumentReader;
import org.springframework.ai.document.TextSplitter;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.core.io.Resource;
import org.springframework.core.io.ResourceLoader;
import org.springframework.stereotype.Service;

import java.util.List;
import java.util.function.Function;

@Service
public class PdfStoreServiceImpl {

    private final ResourceLoader resourceLoader;
    private final VectorStore vectorStore;
    private final Function<List<Document>, List<Document>> tokenTextSplitter;

    public PdfStoreServiceImpl(ResourceLoader resourceLoader, 
                               VectorStore vectorStore,
                               Function<List<Document>, List<Document>> tokenTextSplitter) {
        this.resourceLoader = resourceLoader;
        this.vectorStore = vectorStore;
        this.tokenTextSplitter = tokenTextSplitter;
    }

    // 按页分割并存储 PDF 内容
    public void saveSourceByPage(String url) {
        Resource resource = resourceLoader.getResource(url);
        // 配置 PDF 读取器
        PdfDocumentReaderConfig loadConfig = PdfDocumentReaderConfig.builder()
               .build();
        PagePdfDocumentReader pagePdfDocumentReader = new PagePdfDocumentReader(resource, loadConfig);
        
        // 分割文档并存储到向量库
        vectorStore.accept(tokenTextSplitter.apply(pagePdfDocumentReader.get()));
    }
    
    // 其他存储方法...
}

知识总结：

• DocumentReader 负责从不同来源读取内容
• TextSplitter 将文档分割为可管理的块
• VectorStore 将文本转换为向量并存储，支持相似性检索

5. 聊天服务实现

实现基于向量检索和通用聊天的服务：

java

// ChatServiceImpl.java
import org.springframework.ai.chat.ChatClient;
import org.springframework.ai.chat.ChatResponse;
import org.springframework.ai.chat.adapter.zhipuai.ZhiPuAiChatModel;
import org.springframework.ai.chat.memory.MessageChatMemoryAdvisor;
import org.springframework.ai.prompt.Prompt;
import org.springframework.ai.prompt.messages.UserMessage;
import org.springframework.ai.retriever.QuestionAnswerAdvisor;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.stereotype.Service;

@Service
public class ChatServiceImpl implements ChatService {

    private static final String PROFESSIONAL_SYSTEM_PROMPT = 
        "You are a professional railway maintenance advisor. " +
        "Provide accurate, concise, and actionable advice based on the context.";

    private final ZhiPuAiChatModel chatModel;
    private final VectorStore vectorStore;
    private final ToolConfig toolConfig;
    private final ChatMemory chatMemory;

    public ChatServiceImpl(ZhiPuAiChatModel chatModel, 
                          VectorStore vectorStore,
                          ToolConfig toolConfig,
                          ChatMemory chatMemory) {
        this.chatModel = chatModel;
        this.vectorStore = vectorStore;
        this.toolConfig = toolConfig;
        this.chatMemory = chatMemory;
    }

    @Override
    public String chatByVectorStore(String message) {
        // 创建聊天客户端并设置系统提示
        ChatResponse response = ChatClient.builder(chatModel)
               .defaultSystem(PROFESSIONAL_SYSTEM_PROMPT)
               .build()
               .prompt()
               .tools(toolConfig)  // 注册工具
               .advisors(
                        new MessageChatMemoryAdvisor(chatMemory),  // 聊天历史顾问
                        new QuestionAnswerAdvisor(vectorStore)  // 向量检索顾问
                )
               .user(message)  // 用户消息
               .call();  // 调用模型生成回复
        
        return response.getContent();
    }

    @Override
    public String chatByGeneral(String message) {
        // 通用聊天，不使用向量检索
        return ChatClient.create(chatModel)
               .prompt()
               .advisors(new MessageChatMemoryAdvisor(chatMemory))
               .user(message)
               .tools(toolConfig)
               .call()
               .content();
    }
}

知识总结：

• ChatClient 是与 AI 模型交互的核心接口
• MessageChatMemoryAdvisor 提供对话历史功能
• QuestionAnswerAdvisor 利用向量存储进行相似内容检索
• ToolConfig 注册可在对话中调用的工具

6. 控制器实现

提供 REST API 接口：

java

// ChatController.java
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequestMapping("/chat/")
public class ChatController {

    private final ChatService chatService;

    public ChatController(ChatService chatService) {
        this.chatService = chatService;
    }

    @GetMapping("think")
    public String think(@RequestParam("msg") String msg) {
        return chatService.chatByGeneral(msg);
    }

    @GetMapping("advisorThink")
    public String advisorThink(@RequestParam("msg") String msg) {
        return chatService.chatByVectorStore(msg);
    }
}

知识总结：

• /chat/think 提供通用聊天功能
• /chat/advisorThink 提供基于向量检索的专业问答功能

7. 工具配置

配置可在对话中调用的工具：

java

// ToolConfig.java
import org.springframework.ai.tool.Tool;
import org.springframework.stereotype.Service;

import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;
import java.util.List;
import java.util.Map;

@Service
public class ToolConfig {

    @Autowired
    private RailwayFeignClient railwayFeignClient;

    @Tool(name = "拿到当前时间", description = "拿到用户当前的日期时间")
    public String getCurrentDateTime() {
        LocalDateTime now = LocalDateTime.now();
        DateTimeFormatter formatter = DateTimeFormatter.ISO_LOCAL_DATE_TIME;
        return now.format(formatter);
    }

    @Tool(name = "发送邮件", description = "帮助用户发送邮件")
    public void sendMail(
            @ToolParam(description = "需要维修的设备的相关信息name、model、station") 
            List<Map<String, String>> maintInfoList,
            @ToolParam(description = "距离维修日期的天数") Integer day,
            @ToolParam(description = "要发送的对象的工号") List<String> emailList) {
        // 实现邮件发送逻辑
    }

    @Tool(name = "获取维修信息", description = "拿到需要维修的设备")
    public String getExpire() {
        return railwayFeignClient.expire(TokenConstant.getToken()).toString();
    }
}

知识总结：

• @Tool 注解将方法标记为可被 AI 模型调用的工具
• 工具方法可以扩展 AI 系统的功能，如获取实时数据、执行操作等
• 参数注解 @ToolParam 提供参数描述，帮助模型理解工具使用方式

使用流程总结

1. 初始化项目：添加必要依赖，配置 SpringAI 和基础设施
2. 准备数据：将领域知识（如 PDF 文档）处理并存储到向量数据库
3. 配置聊天服务：设置聊天客户端、历史记忆和检索功能
4. 注册工具：根据业务需求配置可调用的工具
5. 提供接口：通过控制器暴露聊天功能
6. 前端集成：开发前端界面与后端 API 交互（您的项目中未包含，需补充）