SpringAI Alibaba+RAG+Milvus 传统应用升级项目实战（完结）

<!-- Spring AI Alibaba 核心 Starter -->
<dependency>
    <groupId>com.alibaba.cloud</groupId>
    <artifactId>spring-ai-alibaba-starter</artifactId>
    <version>1.0.0</version>
</dependency>
<!-- Milvus Java 客户端 -->
<dependency>
    <groupId>io.milvus</groupId>
    <artifactId>milvus-client</artifactId>
    <version>2.3.0</version>
</dependency>
<!-- 如使用Redis作为向量存储的备选方案，可引入 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-vector-store-redis</artifactId>
</dependency>

spring:
  ai:
    dashscope:
      api-key: ${DASHSCOPE_API_KEY}
      chat:
        options:
          model: qwen-plus
    milvus:
      host: localhost
      port: 19530
      collection-name: knowledge_base
      dimension: 768  # 与Embedding模型维度一致

@Service
public class KnowledgeIngestService {
    @Autowired
    private MilvusClient milvusClient;
    
    public void ingestDocument(String docId, String content) {
        // 1. 文本分块（实际项目建议按段落或语义切分）
        List<String> chunks = splitText(content, 512);
        
        // 2. 调用Embedding模型生成向量（示例调用Python Embedding服务）
        List<float[]> embeddings = embeddingService.encode(chunks);
        
        // 3. 构建Milvus插入请求
        List<InsertParam.Field> fields = new ArrayList<>();
        fields.add(InsertParam.Field.newBuilder("doc_id", 
            chunks.stream().map(c -> docId).collect(Collectors.toList())).build());
        fields.add(InsertParam.Field.newBuilder("content", chunks).build());
        fields.add(InsertParam.Field.newBuilder("embedding", embeddings).build());
        
        milvusClient.insert(InsertParam.newBuilder()
            .withCollectionName("knowledge_base")
            .withFields(fields)
            .build());
    }
}

@Service
public class RagService {
    @Autowired
    private MilvusClient milvusClient;
    @Autowired
    private ChatModel chatModel;  // Spring AI Alibaba 抽象
    @Autowired
    private EmbeddingService embeddingService;
    
    public String ask(String userQuery) {
        // 1. 用户Query向量化
        float[] queryVector = embeddingService.encode(userQuery);
        
        // 2. Milvus相似度检索（TopK=3）
        SearchParam searchParam = SearchParam.newBuilder()
            .withCollectionName("knowledge_base")
            .withVectors(Collections.singletonList(queryVector))
            .withLimit(3)
            .withMetricType(MetricType.IP)  // 内积相似度
            .build();
        SearchResult result = milvusClient.search(searchParam);
        
        // 3. 提取检索到的文本片段作为上下文
        List<String> contexts = extractContentFromResult(result);
        String contextStr = String.join("\n---\n", contexts);
        
        // 4. 构造Prompt，调用大模型生成回答
        String prompt = String.format("""
            请基于以下参考信息回答用户问题。
            参考信息：
            %s
            
            用户问题：%s
            回答（请简洁准确，仅基于参考信息）：
            """, contextStr, userQuery);
        
        PromptTemplate template = new PromptTemplate(prompt);
        return chatModel.call(template.create()).getResult().getOutput();
    }
}