企业官网建设流程全解析

一、环境信息

1、参看如下：

SpringAI入门学习

二、测试使用

1、引入依赖

<dependency> <groupId>com.alibaba.cloud.ai</groupId> <artifactId>spring-ai-alibaba-starter</artifactId> <version>1.0.0-M6.1</version> </dependency> <dependency> <groupId>org.postgresql</groupId> <artifactId>postgresql</artifactId> <version>42.3.1</version> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-pgvector-store-spring-boot-starter</artifactId> <version>1.0.0-M6</version> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-jdbc</artifactId> </dependency>

2、创建PgVectorStore

@Bean("pgVectorStore") public PgVectorStore pgVectorStore(JdbcTemplate jdbcTemplate) { DashScopeEmbeddingModel model = new DashScopeEmbeddingModel(new DashScopeApi(apiKey)); return PgVectorStore.builder(jdbcTemplate, model) .dimensions(dimensions) // Optional: defaults to model dimensions or 1536 .distanceType(distanceType) // Optional: defaults to COSINEDISTANCE .indexType(indexType) // Optional: defaults to HNSW .initializeSchema(false) // Optional: defaults to false .schemaName("public") // Optional: defaults to "public" .vectorTableName("vector_store") // Optional: defaults to "vectorstore" .maxDocumentBatchSize(maxDocumentBatchSize) // Optional: defaults to 10000 .build(); }

spring: application: name: SpringAIProjet ai: dashscope: base-url: https://dashscope.aliyuncs.com/compatible-mode/v1 api-key: XXX chat: options: model: qwen-plus vectorstore: pgvector: index-type: HNSW distance-type: COSINE_DISTANCE dimensions: 1536 max-document-batch-size: 10000 datasource: url: jdbc:postgresql://pgm-2zeb9148645sl4.pg.rds.aliyuncs.com:5432/spring_ai username: XXX password: XXX

3、建表语句如下

create database spring_ai; /** vector‌：向量数据库扩展，提供向量数据类型及相似度计算函数（如vector_cosine_ops）。 hstore‌：键值对存储扩展，用于灵活存储元数据（如metadata字段）。 uuid-ossp‌：UUID生成扩展，提供uuid_generate_v4()函数，用于生成全局唯一ID（id字段默认值）。 */ CREATE EXTENSION IF NOT EXISTS vector; CREATE EXTENSION IF NOT EXISTS hstore; CREATE EXTENSION IF NOT EXISTS "uuid-ossp"; CREATE TABLE IF NOT EXISTS vector_store ( id uuid DEFAULT uuid_generate_v4() PRIMARY KEY, content text, metadata json, embedding vector(384) ); ALTER TABLE vector_store ALTER COLUMN embedding TYPE vector(1536); CREATE INDEX ON vector_store USING HNSW (embedding vector_cosine_ops);

4、测试文件:springai.txt

SpringAI 是 Spring 官方推出的 AI 应用开发框架，通过提供统一的 API 抽象简化 AI 模型（如大语言模型、嵌入模型）与 Spring 生态的集成，支持多类 AI 服务（OpenAI、Azure OpenAI、Hugging Face 等）和向量存储（Redis、Milvus 等），让开发者聚焦业务逻辑。其核心组件按功能可分为‌数据处理、模型交互、向量存储、工具集成‌等维度，各组件分工明确以支撑 AI 应用开发全流程： 一、数据处理组件 数据是 AI 应用的基石，SpringAI 提供工具帮助开发者处理和准备数据，核心逻辑包括： ‌数据预处理‌：对原始数据进行清洗、格式转换、特征提取等操作，为后续 AI 模型训练或推理提供合规输入。 ‌数据存储与管理‌：整合向量存储（如 Redis、Milvus）等技术，实现嵌入向量的存储与相似性检索（核心用于 RAG 场景），确保数据高效存取与检索。 二、模型交互组件 模型交互是 AI 应用的核心环节，SpringAI 通过统一接口屏蔽不同厂商（OpenAI、Anthropic 等）的差异，核心功能包括： ‌模型抽象‌：将大语言模型、嵌入模型等抽象为统一接口，开发者无需关注底层实现细节，直接调用接口即可完成模型调用。 ‌提示与响应管理‌：支持提示文本（Prompt Text）和系统消息（System Message）的动态生成与管理，同时处理模型返回的响应（包含生成文本、元数据等），确保交互流程标准化。 三、向量存储组件 向量存储是 RAG（Retrieval Augmented Generation）场景的核心，SpringAI 提供工具支持向量存储的‌存储、检索、管理‌全流程： ‌存储‌：将文本的嵌入向量存储到 Redis、Milvus 等存储系统，为后续检索提供数据基础。 ‌检索‌：基于向量相似性算法（如余弦相似度）快速定位与输入文本最相关的向量，支撑 RAG 场景下的知识检索。 ‌管理‌：提供向量存储的生命周期管理（如创建、更新、删除），确保存储系统的高效与稳定。 四、工具集成组件 工具集成是 AI 应用扩展能力的关键，SpringAI 支持‌函数调用（Function Calling）‌等机制，核心逻辑包括： ‌工具注册‌：开发者可注册外部工具（如数据库查询、API 调用），让模型根据问题自动调用工具获取信息。 ‌调用机制‌：通过统一接口调用注册工具，模型可基于问题自动触发工具执行，实现“AI + 工具”的协同工作流。 五、环境与生态组件 SpringAI 基于 Spring Boot 构建，通过‌Starters 引入依赖‌简化环境搭建，核心优势包括： ‌依赖管理‌：通过 Maven/Gradle 的 Starters 依赖，快速引入 SpringAI 及其生态组件，避免版本兼容性问题。 ‌生态整合‌：无缝集成 Spring Boot、Spring Web、Spring Data 等现有 Spring 组件，开发者可复用 Spring 生态的开发经验，快速构建 AI 驱动的应用。 六、其他组件（如评估器 - 优化器） 部分组件（如评估器 - 优化器）聚焦‌模型评估与优化‌，核心逻辑包括： ‌评估‌：对模型生成内容的准确性和相关性进行评估，为优化提供数据依据。 ‌优化‌：基于评估结果调整模型参数或流程，持续提升 AI 应用的性能与效果。 SpringAI 的组件设计遵循“简化开发、聚焦业务”的理念，通过各组件的分工协作，帮助开发者高效构建 AI 驱动的应用，同时保障技术栈的稳定性与可扩展性。

5、读取文件测试

package org.spring.springaiprojet.controller; import com.alibaba.cloud.ai.dashscope.api.DashScopeApi; import com.alibaba.cloud.ai.dashscope.embedding.DashScopeEmbeddingModel; import org.springframework.ai.document.Document; import org.springframework.ai.vectorstore.SearchRequest; import org.springframework.ai.vectorstore.SimpleVectorStore; import org.springframework.ai.vectorstore.VectorStore; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.beans.factory.annotation.Qualifier; import org.springframework.core.io.ClassPathResource; import org.springframework.web.bind.annotation.RequestMapping; import org.springframework.web.bind.annotation.RestController; import java.io.BufferedReader; import java.io.IOException; import java.io.InputStream; import java.io.InputStreamReader; import java.util.Arrays; import java.util.List; @RestController @RequestMapping("/ai/") public class AiVectorController { @Autowired private VectorStore vectorStore; @Qualifier("pgVectorStore") @Autowired private VectorStore pgVectorStore; @RequestMapping("/qwen/vector/api") public String vector(String message) throws IOException { StringBuilder text = new StringBuilder(); ClassLoader classLoader = getClass().getClassLoader(); InputStream inputStream = classLoader.getResourceAsStream("springai.txt"); try (BufferedReader reader = new BufferedReader(new InputStreamReader(inputStream))){ String line; while ((line = reader.readLine()) != null){ text.append(line); } } List<Document> list = Arrays.stream(text.toString().split("。")).map(Document::new).toList(); // 存储向量,内部会自动向量化 // pgVectorStore.add(list); // 相似性检索,基于similaritySearch实现 // List<Document> documentList = .similaritySearch("文本"); // SearchRequest request= SearchRequest.builder().query("文本") // .topK(10) // .similarityThreshold(0.5).build(); List<Document> documentList = pgVectorStore.similaritySearch(message); for(Document document : documentList){ System.out.println(document.getText()); System.out.println(document.getScore()); System.out.println("-----------------"); } return "success"; }

6、测试写入向量

GET http://localhost:8088/boot/ai/qwen/vector/api?message=SpringAI