# 前言

标签：Spring AI、DeepSeek、Agent、PGVector、Redis、RAG、Java AI开发、企业级项目
项目名称：EduAgentX-AI 智能学习助手
技术栈：Spring Boot 3.5 + Spring AI 1.x + DeepSeek + PostgreSQL + PGVector + Redis + Vue3

如果你准备找工作或者准备做一个真正有亮点的项目，那么仅仅实现：

chatClient.prompt("你好")

这样的 AI 聊天功能是远远不够的。

因为现在面试官真正感兴趣的是：

你是否真正理解 AI 应用架构？

例如：

  • 如何实现知识库？
  • 如何实现向量检索？
  • 如何实现多轮对话？
  • 如何实现 Agent？
  • 如何实现 Tool Calling？
  • 如何降低 Token 成本？
  • 如何保证回答准确率？

这些问题才是 AI 项目的核心。

本篇文章将带你完整设计一个企业级 AI 项目。

一、项目目标

我们要实现：

EduAgentX AI学习助手

核心能力：

AI问答

学生提问

↓

AI回答

知识库检索

课程资料

↓

向量搜索

↓

精准回答

学习规划

分析成绩

↓

推荐课程

↓

生成学习计划

Agent执行

查询成绩

查询课程

生成报告

自动分析

二、整体架构设计

企业级架构如下：

                    Vue3

                      │

                 Gateway

                      │

         ┌────────────┴────────────┐

         │                         │

      用户服务                AI服务

                                   │

                             Spring AI

                                   │

      ┌──────────────┬──────────────┐

      │              │              │

    Redis        PGVector       DeepSeek

      │

    MySQL

职责说明：

组件 作用
MySQL 业务数据
Redis 缓存、记忆
PGVector 向量存储
DeepSeek 大模型
Spring AI AI编排
Agent 自动执行任务

三、项目目录设计

推荐目录：

eduagentx-ai

├── controller
│
├── service
│
├── ai
│   ├── rag
│   ├── agent
│   ├── tool
│   ├── memory
│   └── prompt
│
├── vector
│
├── redis
│
├── config
│
└── entity

很多新人喜欢：

controller

service

mapper

全部堆一起。

AI项目必须模块化。

四、Maven依赖

核心依赖：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>
        spring-ai-starter-model-openai
    </artifactId>
</dependency>

PGVector：

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

Redis：

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>
        spring-boot-starter-data-redis
    </artifactId>
</dependency>

PostgreSQL：

<dependency>
    <groupId>org.postgresql</groupId>
    <artifactId>postgresql</artifactId>
</dependency>

五、接入DeepSeek

目前国内企业最常用：

DeepSeek-V3
DeepSeek-R1

配置：

spring:

  ai:

    openai:

      base-url:
        https://api.deepseek.com

      api-key:
        sk-xxxxxxxx

注意：

DeepSeek兼容：

OpenAI API

因此：

ChatClient

代码完全不需要修改。

六、ChatClient封装

企业开发：

不要每个地方直接调用。

封装：

@Component
public class AiChatService {

    @Autowired
    private ChatClient chatClient;

    public String chat(String msg){

        return chatClient
                .prompt(msg)
                .call()
                .content();
    }

}

Controller：

@GetMapping("/chat")
public String chat(String msg){

    return aiChatService.chat(msg);

}

统一维护。

七、知识库设计

很多人以为：

上传PDF

↓

直接问

就叫知识库。

实际上：

完整流程：

文档

↓

切片

↓

Embedding

↓

向量存储

↓

检索

↓

Prompt增强

↓

大模型回答

八、文档切片

例如：

Java面试宝典.pdf

100页

不能直接向量化。

需要：

Chunk

Spring AI：

TokenTextSplitter splitter =
new TokenTextSplitter();

执行：

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

结果：

Chunk1

Chunk2

Chunk3

推荐大小：

300~500 Token

九、Embedding实现

注入：

@Autowired
private EmbeddingModel embeddingModel;

生成向量：

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

返回：

[0.12,0.35,0.88...]

十、PGVector接入

建表：

CREATE EXTENSION vector;

向量表：

CREATE TABLE knowledge_vector(

    id BIGSERIAL PRIMARY KEY,

    content TEXT,

    embedding vector(1536)

);

Spring AI：

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

自动存储。

十一、RAG检索实现

用户：

什么是Redis缓存穿透？

执行：

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

得到：

Redis缓存穿透

Redis布隆过滤器

相关内容。

拼接Prompt：

String prompt = """
请根据以下知识回答：

%s

问题：

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

发送：

chatClient
.prompt(prompt)
.call()
.content();

十二、多轮对话记忆

用户：

我叫张三

下一句：

我叫什么？

需要：

Memory

能力。

Redis实现

Key：

chat:1001

Value：

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

Spring AI：

MessageChatMemoryAdvisor

配置：

chatClient
.prompt(msg)
.advisors(
memoryAdvisor
)
.call();

十三、Redis缓存优化

热门问题：

什么是Redis

什么是IOC

什么是线程池

每天被问：

10000+

次。

解决：

缓存答案

流程：

问题

↓

MD5

↓

Redis

↓

存在返回

↓

不存在调用模型

代码：

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

成本下降：

70%

以上。

十四、Tool开发规范

企业项目：

不要写：

public String test(){}

推荐：

@Service
public class ScoreTool {
}

一个工具：

一个职责

例如：

成绩工具

课程工具

考试工具

学习计划工具

分离。

十五、成绩分析Tool

例如：

@Service
public class ScoreTool {

    public String
    analyse(Long userId){

        return """
        Java:85

        MySQL:78

        Redis:60
        """;
    }
}

注册：

chatClient
.prompt(question)
.tools(
scoreTool
)
.call();

模型自动调用。

十六、课程推荐Tool

@Service
public class CourseTool {

    public String recommend(
            String weakPoint){

        return "Redis高级课程";
    }
}

Agent：

分析成绩

↓

发现Redis弱

↓

调用课程工具

↓

推荐课程

十七、学习计划Tool

@Service
public class PlanTool {

    public String create(){

        return """
        第1周：

        Redis基础

        第2周：

        Redis实战
        """;
    }
}

最终形成：

完整学习规划

十八、Agent设计

真正Agent：

用户问题

↓

分析意图

↓

调用工具

↓

获取结果

↓

再次推理

↓

返回答案

例如：

用户：

根据我最近成绩
生成学习计划

Agent：

调用ScoreTool

↓

分析弱项

↓

调用CourseTool

↓

调用PlanTool

↓

生成结果

十九、生产环境优化

企业项目必须考虑。

Token控制

限制：

单次提问
≤3000字

Prompt模板化

统一管理：

prompt/

teacher.txt

assistant.txt

agent.txt

敏感词过滤

避免：

违法内容
恶意Prompt

限流

推荐：

Redis
+
令牌桶

二十、面试亮点包装

如果这是你的项目。

简历可以写：

EduAgentX AI学习助手

技术栈：

Spring Boot

Spring AI

DeepSeek

PGVector

Redis

MySQL

Vue3

项目亮点：

1. 基于Spring AI实现企业级AI助手

2. 使用PGVector构建RAG知识库

3. Redis实现聊天记忆与热点缓存

4. DeepSeek实现智能问答

5. 基于Tool Calling实现Agent能力

6. 实现学习规划与课程推荐

7. 支持PDF知识库导入

8. 支持多轮对话

二十一、真正的企业级AI架构（2026）

很多教程停留在：

Spring AI

↓

ChatGPT

而大厂实际架构已经变成：

Spring AI

↓

Agent

↓

Workflow

↓

RAG

↓

Redis

↓

PGVector

↓

MCP

↓

DeepSeek

总结

到这里，你已经掌握了 Spring AI 企业级开发的完整主线：

第一阶段

ChatClient调用模型

↓

第二阶段

Prompt工程

↓

第三阶段

RAG知识库

↓

第四阶段

Redis记忆

↓

第五阶段

Tool Calling

↓

第六阶段

Agent开发

↓

第七阶段

MCP生态接入
# spring # 人工智能 # redis # 架构
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

AtomGit 首发开源｜光轮智能发布全球首个十万小时级全模态人类行为开源数据集 EgoSuite-Open100K

avatar AtomGit开源社区
cover

AtomCode 全新上线万亿代码模型 LongCat-2.0。限时 7 天免费体验！

avatar AtomGit开源社区
cover

构筑赋能金融行业应用 Agent｜20 强决战北京，一场金融 Agent 的硬核答卷

avatar AtomGit开源社区