前言

标签：Spring AI、RAG、PGVector、Redis、DeepSeek、知识库、AI教育平台、Java项目实战
适用人群：Java开发工程师、AI应用开发者、应届生毕设、企业项目开发
项目名称：EduAgentX 智能教育知识库系统

前两篇文章我们已经掌握了：

• Spring AI基础开发
• ChatClient使用
• Prompt工程
• Embedding向量化
• PGVector向量数据库
• RAG检索增强生成
• Tool Calling
• Agent开发思想

但很多开发者学完之后仍然会有一个问题：

我知道这些概念，但不知道如何真正落地一个项目。

所以本篇文章直接以一个完整项目为例，带你从0到1搭建：

EduAgentX AI知识库系统

实现效果：

学生提问

↓

AI检索课程资料

↓

结合知识库回答

↓

返回准确答案

而不是普通AI的：

我不知道

---

一、项目背景

假设我们开发一个在线教育平台。

目前已有：

用户系统
课程系统
考试系统
学习记录系统

学生经常提问：

什么是SpringMVC？

Redis缓存穿透是什么？

Java线程池有哪些参数？

我这次考试为什么成绩下降？

---

传统方式：

老师回答

问题：

成本高
效率低
无法24小时服务

---

于是增加：

AI学习助手

---

二、项目整体架构设计

整体架构如下：

                    Vue3

                      │

               Spring Gateway

                      │

          ┌──────────┴──────────┐

          │                     │

      用户服务            AI知识库服务

                                │

                      Spring AI

                                │

       ┌─────────────┬─────────────┐

       │             │             │

    Redis        PGVector      DeepSeek

       │

     MySQL

---

职责划分：

MySQL

存储：

用户
课程
考试
成绩

---

Redis

缓存：

用户信息

课程详情

热点问题

聊天记录

---

PGVector

存储：

知识库向量

---

DeepSeek

负责：

理解问题

生成答案

---

Spring AI

负责：

统一调用模型

向量检索

Prompt组装

---

三、数据库设计

用户表

CREATE TABLE sys_user(
    id BIGINT PRIMARY KEY,
    username VARCHAR(50),
    password VARCHAR(100),
    create_time DATETIME
);

---

课程表

CREATE TABLE course(
    id BIGINT PRIMARY KEY,
    course_name VARCHAR(100),
    teacher_name VARCHAR(50),
    description TEXT
);

---

AI聊天记录表

CREATE TABLE ai_chat_record(
    id BIGINT PRIMARY KEY,
    user_id BIGINT,
    question TEXT,
    answer TEXT,
    create_time DATETIME
);

---

知识库文档表

CREATE TABLE knowledge_document(
    id BIGINT PRIMARY KEY,
    title VARCHAR(255),
    content LONGTEXT,
    status TINYINT,
    create_time DATETIME
);

---

四、知识库文档上传设计

企业项目中知识来源：

PDF

Word

Markdown

Excel

TXT

网页内容

---

例如上传：

Java面试宝典.pdf

---

后台接口：

@PostMapping("/upload")
public Result upload(
        MultipartFile file){
    
    return knowledgeService.upload(file);
}

---

处理流程：

上传文件

↓

解析内容

↓

切片

↓

向量化

↓

存入PGVector

---

五、文档切片（Chunk）

很多新人直接把：

100页PDF

发送给大模型。

这是错误的。

---

原因：

Token限制。

---

正确方式：

切片

例如：

Java线程池

核心线程数

最大线程数

阻塞队列

切成：

Chunk1

Chunk2

Chunk3

---

每块：

300~500字

最佳。

---

Spring AI支持：

TokenTextSplitter

---

代码：

TokenTextSplitter splitter =
new TokenTextSplitter();

List<Document> docs =
splitter.apply(
List.of(document)
);

---

结果：

一个文档

↓

多个Chunk

---

六、Embedding向量化

切片后：

文字

模型无法检索。

---

需要：

向量化

---

注入：

@Autowired
private EmbeddingModel embeddingModel;

---

执行：

EmbeddingResponse response =
embeddingModel.call(
new EmbeddingRequest(
List.of(content),
EmbeddingOptionsBuilder
.builder()
.build()
)
);

---

结果：

Java线程池

↓

[0.11,0.35,0.77...]

---

七、接入PGVector

Maven依赖

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>
        spring-ai-pgvector-store
    </artifactId>
</dependency>

---

配置

spring:
  datasource:
    url: jdbc:postgresql://localhost:5432/eduagentx

---

存储向量

vectorStore.add(
List.of(
new Document(content)
)
);

---

数据库：

内容

+

向量

同时保存。

---

八、用户提问流程

学生输入：

什么是Redis缓存穿透？

---

系统执行：

问题

↓

Embedding

↓

向量搜索

↓

获取相关文档

↓

构造Prompt

↓

调用DeepSeek

↓

返回答案

---

九、核心RAG代码实现

查询知识：

List<Document> docs =
vectorStore.similaritySearch(
question
);

---

获取：

Redis缓存穿透

Redis布隆过滤器

Redis缓存击穿

相关内容。

---

构造Prompt：

String prompt = """
你是一名Java高级讲师。

请根据以下知识回答：

%s

用户问题：

%s
"""
.formatted(
docs.toString(),
question
);

---

调用模型：

String answer =
chatClient
.prompt(prompt)
.call()
.content();

---

返回：

缓存穿透指...

---

十、聊天记忆实现

普通聊天：

问一次

忘一次

---

用户：

我叫张三

---

下一句：

我叫什么？

AI不知道。

---

解决：

Chat Memory

---

Redis存储：

user:1001:chat

---

格式：

[
 {
   "role":"user",
   "content":"我叫张三"
 },
 {
   "role":"assistant",
   "content":"好的"
 }
]

---

Spring AI支持：

MessageChatMemoryAdvisor

---

配置：

Advisor advisor =
new MessageChatMemoryAdvisor(
chatMemory
);

---

效果：

连续对话

实现。

---

十一、热点问题缓存优化

例如：

学生频繁提问：

什么是SpringMVC？

什么是Redis？

---

每次都调用模型。

成本极高。

---

方案：

Redis缓存。

---

Key：

ai:question:hash

---

流程：

问题

↓

Redis查询

↓

存在

↓

直接返回

↓

不存在

↓

调用AI

↓

写入Redis

---

Java实现：

String cache =
redisTemplate.opsForValue()
.get(key);

if(cache != null){
    return cache;
}

---

成本直接下降：

70%以上

---

十二、Prompt工程优化

很多项目效果差：

不是模型问题。

而是Prompt垃圾。

---

错误Prompt：

解释Redis

---

优化后：

你是一位拥有10年经验的Java架构师。

请从以下几个方面解释Redis：

1. 定义

2. 核心数据结构

3. 使用场景

4. 面试重点

要求：

通俗易懂
包含代码示例

---

回答质量提升明显。

---

十三、权限控制设计

企业知识库必须做权限。

---

例如：

学生：

只能访问课程资料

---

教师：

访问全部资料

---

管理员：

访问系统文档

---

实现：

if(role.equals("student")){
    queryCourseDoc();
}

---

避免：

数据泄露

---

十四、AI学习助手升级

在EduAgentX中。

---

基础版：

问

↓

答

---

升级版：

分析成绩

↓

发现薄弱知识点

↓

推荐课程

↓

生成学习计划

---

例如：

学生：

Java成绩65分

---

AI：

集合框架掌握较差

建议学习：

ArrayList

HashMap

ConcurrentHashMap

---

十五、企业部署方案

开发环境：

Docker

---

生产环境：

Nginx

↓

Spring Boot

↓

Redis集群

↓

PostgreSQL

↓

PGVector

↓

DeepSeek

---

推荐配置：

4核8G

Redis 4G

PostgreSQL 8G

即可支撑：

5000+
在线用户

---

十六、项目亮点（简历可写）

如果你准备找工作。

项目描述可以写：

---

EduAgentX智能教育平台

技术栈：

Spring Boot

Spring AI

DeepSeek

PGVector

Redis

MySQL

Vue3

---

项目亮点：

1. 基于Spring AI实现RAG知识库

2. 使用PGVector完成向量检索

3. Redis缓存热点问题

4. 实现多轮对话记忆

5. 支持PDF知识库导入

6. 支持课程资料智能问答

7. AI生成学习计划

8. Agent辅助学习分析

---

总结

当下企业真正需要的已经不是：

调用一下ChatGPT接口

而是：

Spring AI

+

RAG

+

向量数据库

+

Redis

+

Agent

构建能够解决实际业务问题的 AI 系统。

如果你把这套 EduAgentX AI知识库项目 完整做出来，无论是校招还是社招，都已经具备了一个比较有竞争力的 AI 应用项目。