Symfony AI Store！PHP 中 RAG 缺失的一环

Tinywan

发布于 2026-07-01 13:46:41

1070

前端

多年来，PHP 开发者只能在稍远处观看 AI 革命的展开。我们要么拼凑 Python 微服务，要么艰难地直接调用 OpenAI 的原始 API，或者依赖那些一有小版本更新就崩溃的实验性库。

随着 Symfony 7.4 的发布以及 Symfony AI Initiative 的逐渐成熟，我们终于拥有了构建 AI 原生应用的“第一公民”支持。虽然 symfony/ai-platform 负责处理聊天模型，但对业务应用来说真正改变游戏规则的是 symfony/ai-store。

这个组件正是 PHP 中 Retrieval-Augmented Generation (RAG) 的核心支柱。它将向量数据库的复杂性（无论是 Redis、PostgreSQL（使用 pgvector）还是 Elasticsearch）抽象成了一个干净、Symfony 风格的接口。

本文将深入探讨。我们将使用 symfony/ai-store 和 Symfony 7.4，结合 PHP 8.4 的最新特性，构建一个知识库搜索引擎。

为什么 symfony/ai-store 很重要

在开始写代码之前，我们先来理解整体架构。像 GPT-4 这样的大型语言模型（LLM）非常强大，但存在两个致命缺陷：

1. 幻觉（Hallucination）：它们会凭空编造内容。
2. 健忘症（Amnesia）：它们不知道你的私有业务数据。

RAG 通过“用你的数据 grounding AI”来解决这个问题。你把文档或产品信息转换成“向量”（代表语义的数字列表）并存储起来。当用户提问时，找到最相似的向量，把它们喂给 AI。

symfony/ai-store 提供的正是这个中间步骤的标准接口：向量存储（Vector Store）。

安装与设置

我们将安装 AI Bundle，它包含了 Store 组件并简化了配置。我们还需要一个传输层（transport）。本教程使用 Doctrine + PostgreSQL（pgvector），这是 Symfony 开发者最常见的组合。

composer require symfony/ai-bundle symfony/ai-postgres-store

请确保你有一个已启用 vector 扩展的 PostgreSQL 实例。

检查 bundle 是否激活，以及 store 相关命令是否可用：

php bin/console list ai

你应该能看到类似 ai:store:setup 的命令。

配置

在 Symfony 7.4 中，我们更倾向于显式配置。打开 config/packages/ai.yaml 文件。

我们将定义一个使用 Doctrine 传输的默认 store。

# config/packages/ai.yaml
ai:
    platform:
        gemini:
            api_key: '%env(GEMINI_API_KEY)%'
        openai:
            api_key: '%env(OPENAI_API_KEY)%'

    agent:
        default:
            platform: 'ai.platform.gemini'
            model: 'gemini-2.5-pro'
        openai:
            platform: 'ai.platform.openai'
            model: 'text-embedding-3-small'

    vectorizer:
        default:
            platform: 'ai.platform.openai'
            model: 'text-embedding-3-small'

    store:
        postgres:
            default:
                table_name: 'tb_symfony_vector'

        memory:
            default:

    message_store:
        cache:
            default:
                service: 'cache.app'

数据库迁移

symfony/ai-postgres-store 包允许我们自动生成 schema。

php bin/console ai:store:setup ai.store.postgres.default

此命令会与你的数据库交互，创建必要的表（例如 vector_documents），并使用正确的 vector 列类型。

在生产环境中，建议使用 Doctrine Migrations。ai:store:setup 命令非常适合快速原型，但在 CI/CD 流水线中，应生成一个执行启用扩展和创建表的 SQL 的迁移。

核心概念：Document

Store 组件不会直接保存你复杂的 Doctrine 实体。它保存的是 Document。Document 是一个简单的 DTO，包含：

1. ID：唯一标识符
2. Content：AI 将要阅读的实际文本
3. Metadata：任意键值对数组，用于过滤（例如 author_id、created_at）
4. Vectors：计算出的嵌入向量（自动处理）

构建索引服务（Ingestion Service）

我们来创建一个服务，将博客文章（或其他实体）转换为 Document 并保存到 store 中。

这里使用 PHP 8.4 的属性（attribute）进行依赖注入。

namespace App\Service;

use App\Entity\BlogPost;
use Symfony\AI\Platform\Vector\VectorInterface;
use Symfony\AI\Store\Document\Metadata;
use Symfony\AI\Store\Document\VectorDocument;
use Symfony\AI\Store\Document\VectorizerInterface;
use Symfony\AI\Store\StoreInterface;
use Symfony\Component\DependencyInjection\Attribute\Autowire;

readonly class KnowledgeBaseIndexer
{
    public function __construct(
        #[Autowire(service: 'ai.store.postgres.default')]
        private StoreInterface $store,
        #[Autowire(service: 'ai.vectorizer.default')]
        private VectorizerInterface $vectorizer
    ) {}

    public function indexBlogPost(BlogPost $post): void
    {
        $content = sprintf(
            "Title: %s\n\n%s",
            $post->getTitle(),
            $post->getContent()
        );

        $vector = $this->vectorizer->vectorize($content);

        if ($vector instanceof VectorInterface) {
            $document = new VectorDocument(
                id: $post->getId(),
                vector: $vector,
                metadata: new Metadata([
                    'type' => 'blog_post',
                    'content' => $content,
                    'author_id' => $post->getAuthor()->getId(),
                    'published_at' => $post->getCreatedAt()->format('Y-m-d'),
                ])
            );

            $this->store->add($document);
        }
    }
}

构建检索服务（Retrieval Service）

现在进入最神奇的部分：根据用户问题找到相关博客文章。

namespace App\Service;

use Symfony\AI\Store\Document\VectorizerInterface;
use Symfony\AI\Store\StoreInterface;
use Symfony\Component\DependencyInjection\Attribute\Autowire;

readonly class KnowledgeBaseSearch
{
    public function __construct(
        #[Autowire(service: 'ai.store.postgres.default')]
        private StoreInterface $store,
        #[Autowire(service: 'ai.vectorizer.default')]
        private VectorizerInterface $vectorizer,
    ) {}

    /**
     * @return array<int, string> 相关内容片段列表
     */
    public function search(string $userQuery, int $limit = 3): array
    {
        $vector = $this->vectorizer->vectorize($userQuery);

        $results = $this->store->query(
            $vector,
            [
                'limit' => $limit,
                'where' => "metadata->>'type' = :type",
                'params' => ['type' => 'blog_post'],
            ]
        );

        $answers = [];

        foreach ($results as $result) {
            if ($result->score < 0.7) {
                continue;
            }
            $answers[] = $result->metadata['content'];
        }

        return $answers;
    }
}

整合：RAG Controller

最后，将其接入一个控制器，使用检索到的数据生成答案。

namespace App\Controller;

use App\Service\KnowledgeBaseSearch;
use Symfony\AI\Platform\Message\Message;
use Symfony\AI\Platform\Message\MessageBag;
use Symfony\Bundle\FrameworkBundle\Controller\AbstractController;
use Symfony\Component\HttpFoundation\JsonResponse;
use Symfony\Component\HttpFoundation\Request;
use Symfony\Component\Routing\Attribute\Route;
use Symfony\AI\Chat\ChatInterface;

#[Route('/api/ai')]
class AssistantController extends AbstractController
{
    public function __construct(
        private KnowledgeBaseSearch $searchService,
        private ChatInterface $chat,
    ) {}

    #[Route('/ask', methods: ['POST'])]
    public function ask(Request $request): JsonResponse
    {
        $question = $request->getPayload()->get('question');

        $contextDocuments = $this->searchService->search($question);

        $contextString = implode("\n---\n", $contextDocuments);

        $systemPrompt = <<<PROMPT
You are a helpful assistant for our company blog.
Answer the user's question based ONLY on the context provided below.
If the answer is not in the context, say "I don't know."

Context:
$contextString
PROMPT;

        $this->chat->initiate(
            new MessageBag(Message::forSystem($systemPrompt))
        );

        $response = $this->chat->submit(
            Message::ofUser($question)
        );

        return $this->json([
            'answer' => $response->getContent(),
            'sources' => count($contextDocuments)
        ]);
    }
}

高级配置：多 Store 支持

在真实的企业应用中，你可能需要为不同类型的数据使用不同的 store（例如 products_store vs documentation_store），或者使用不同的后端（Redis 用于热会话记忆，Postgres 用于长期知识）。

Symfony 7.4 通过 bind 或 target 属性让这变得非常简单。

config/packages/ai.yaml 示例：

ai:
    store:
        postgres:
            default:
                table_name: 'tb_symfony_vector'

        memory:
            default:

性能优化模式：使用 Messenger 解耦索引

前面我们是立即索引博客文章。在生产环境中，这是一个性能瓶颈。

调用 OpenAI（或其他 LLM 提供商）生成嵌入向量涉及 HTTP 请求，耗时可能从 200ms 到几秒不等。如果你在编辑点击“保存”时同步执行，浏览器会卡住；如果 API 宕机，整个应用都会报错。

解决方案是使用 Symfony Messenger 解耦索引。我们派发一个轻量消息，只包含内容的 ID，让后台 worker 异步完成嵌入和向量存储。

创建消息

遵循“Thin Message”模式：永远不要在消息中传递完整的实体或大段文本，只传递标识符。

namespace App\Messenger\Message;

use Symfony\Component\Uid\Uuid;

readonly class IndexBlogPostMessage
{
    public function __construct(
        public Uuid $blogPostId,
    ) {}
}

创建处理器（Handler）

处理器负责从数据库重新获取实体，并交给前面定义的 KnowledgeBaseIndexer。

namespace App\Messenger\Handler;

use App\Messenger\Message\IndexBlogPostMessage;
use App\Repository\BlogPostRepository;
use App\Service\KnowledgeBaseIndexer;
use Symfony\Component\Messenger\Attribute\AsMessageHandler;

#[AsMessageHandler]
readonly class IndexBlogPostHandler
{
    public function __construct(
        private BlogPostRepository $repository,
        private KnowledgeBaseIndexer $indexer,
    ) {}

    public function __invoke(IndexBlogPostMessage $message): void
    {
        $post = $this->repository->find($message->blogPostId);

        if (!$post) {
            return;
        }

        $this->indexer->indexBlogPost($post);
    }
}

派发消息

现在修改你的控制器（或事件监听器），改为派发消息而不是直接调用索引器。

namespace App\Controller\Admin;

use App\Entity\BlogPost;
use App\Messenger\Message\IndexBlogPostMessage;
use Symfony\Bundle\FrameworkBundle\Controller\AbstractController;
use Symfony\Component\HttpFoundation\Response;
use Symfony\Component\Messenger\MessageBusInterface;
use Symfony\Component\Routing\Attribute\Route;

class BlogAdminController extends AbstractController
{
    public function __construct(
        private MessageBusInterface $bus,
    ) {}

    #[Route('/admin/post/{id}/publish', methods: ['POST'])]
    public function publish(BlogPost $post): Response
    {
        // ... (你现有的保存/发布逻辑) ...

        // 改为异步派发
        $this->bus->dispatch(new IndexBlogPostMessage($post->getId()));

        return $this->json(['status' => 'published', 'job_id' => 'queued']);
    }
}