智能知识库问答系统-SpringRAG

智能知识库问答系统 — 基于 Spring AI 构建，集成大语言模型、向量数据库和 RAG（检索增强生成）全链路，实现文档驱动的精准问答。

技术亮点
1. 分层记忆设计
借鉴认知科学的分层思路：短期记忆（当前对话上下文） + 实体记忆（用户关键信息持久化到 H2）。每次只加载相关记忆，避免无关历史干扰 LLM 判断。

2. 双模型架构
主力模型 DeepSeek（远程 API）用于生产，Ollama 本地模型用于链路验证和冒烟测试。兼顾性能与开发效率。

3. 分层 RAG 优化
从基础向量搜索逐层叠加：文本清洗 → 递归分块 → LLM 查询重写 → MMR 去重 → 自动元数据分类，每层解决一个具体痛点，不一步到位过度设计。

4. Redis 短期记忆层
对话记忆从项目内存迁移至 Redis，利用 Redis 的 TTL 机制实现短期记忆自动过期，appendonly 持久化保证重启不丢。

5. RabbitMQ 异步处理层
引入 RabbitMQ 将耗时操作异步化：文件上传后先落盘再发 MQ，消费者异步完成清洗→分块→向量化存储；审计日志异步落库不阻塞接口响应。通过 prefetch=1 + max-concurrency=3 控制 LLM API 并发，天然削峰。

核心架构
用户问题 → 查询重写(LLM) → 向量召回(Qdrant) → MMR 去重 → 拼 Prompt → LLM 回答
↑
文件上传 → 分块 → 向量化
项目结构
src/main/java/com/springrag/
├── agent/ # 多 Agent + IntentRouter（规则 70% + LLM 30% 统一路由）
├── common/ # 通用枚举（模型、角色等）
├── config/ # ChatClient + Redis + H2 记忆持久化 + Session 管理
├── controller/ # REST 接口层
├── service/ # 业务逻辑（聊天、知识库、Function Calling）
└── vectorstore/ # RAG 搜索链路（重写器、分块器、重排器、分类器）