feat: 新增 RAG 智能问答 POST 接口与 ChatService

- 新增 ChatService 实现 RAG 核心逻辑（向量检索 + 上下文构建 + LLM 生成）
- 新增 ChatRequest/ChatResponse DTO 支持结构化请求响应
- 新增 ApiResponse 统一响应封装
- ChatController 新增 POST /api/chat RAG 问答接口（支持引用溯源）
- 流式接口 GET /api/chat/ai/stream 保持不变

README.md

@@ -1,6 +1,6 @@
 # Spring AI Demo
 
-> 🤖 一个简洁优雅的 Spring AI 对话演示项目，基于 Spring Boot 3.2.0 与 Spring AI 1.0.0-M3 构建，支持流式响应、Markdown 渲染与 RAG 文档问答。
+> 🤖 一个简洁优雅的 Spring AI 对话演示项目，基于 Spring Boot 3.2.0 与 Spring AI 1.0.0-M3 构建，支持流式响应、Markdown 渲染与 RAG 智能问答。
 
 [![Spring Boot](https://img.shields.io/badge/Spring%20Boot-3.2.0-brightgreen)](https://spring.io/projects/spring-boot)
 [![Spring AI](https://img.shields.io/badge/Spring%20AI-1.0.0--M3-blue)](https://spring.io/projects/spring-ai)
@@ -9,14 +9,15 @@
 
 ## ✨ 特性
 
-- 🌐 **智能对话** - 基于 OpenAI/Ollama 的自然语言交互
+- 🌐 **AI 智能对话** - 基于 Ollama 的自然语言交互
 - 📡 **流式响应** - 实时逐字输出，体验流畅
 - 📝 **Markdown 支持** - 完整渲染代码块、表格、列表等格式
 - 👨‍💻 **代码高亮** - Highlight.js 自动语言检测与语法着色
-- 📚 **RAG 文档问答** - 文档向量化存储，智能语义检索
+- 📚 **RAG 智能问答** - 基于向量检索的上下文感知回答
-- 🗃️ **向量数据库** - Milvus 分布式向量数据库集成
+- 🔍 **语义检索** - Milvus 向量数据库相似度搜索
+- 🔗 **引用溯源** - 回答附带文档来源引用
+- 🗃️ **向量数据库** - Milvus 分布式向量数据库
 - 🔍 **Embedding 服务** - SiliconFlow BAAI/bge-large-zh-v1.5
-- 📔 **PDF 解析** - Apache PDFBox 文档处理支持
 - 🎨 **精美界面** - 深色主题响应式设计
 
 ## 🚀 快速开始
@@ -26,7 +27,7 @@
 - JDK 17+
 - Maven 3.8+
 - [Ollama](https://ollama.ai/) 本地服务
-- Milvus 向量数据库（可选，用于 RAG）
+- Milvus 向量数据库
 
 ### 1. 安装 Ollama
 
@@ -64,7 +65,6 @@ mvn spring-boot:run
 | Embedding | SiliconFlow BAAI/bge-large-zh-v1.5 | - |
 | 向量数据库 | Milvus | 2.3.4 |
 | 响应式编程 | Spring WebFlux | 3.2.0 |
-| 文档处理 | Apache PDFBox | 2.0.29 |
 
 ### 前端
 
@@ -78,27 +78,25 @@ mvn spring-boot:run
 
 ```
 springAiDemo/
-├── src/
+├── src/main/java/com/demo/
-│   └── main/
+│   ├── MyApplication.java              # Spring Boot 启动入口
-│       ├── java/com/demo/
+│   ├── config/
-│       │   ├── MyApplication.java              # Spring Boot 启动入口
+│   │   └── RagConfig.java               # RAG 配置类
-│       │   ├── config/
+│   ├── controller/
-│       │   │   └── RagConfig.java               # RAG 文本分割配置
+│   │   ├── ChatController.java          # AI 聊天 API
-│       │   ├── controller/
+│   │   └── DocumentController.java      # 文档导入 API
-│       │   │   ├── ChatController.java         # AI 聊天 REST API
+│   ├── dto/
-│       │   │   └── DocumentController.java      # 文档导入 REST API
+│   │   ├── ApiResponse.java             # 通用响应封装
-│       │   └── service/
+│   │   ├── ChatRequest.java             # 聊天请求 DTO
-│       │       └── DocumentService.java          # 文档处理服务
+│   │   └── ChatResponse.java            # 聊天响应 DTO
-│       └── resources/
+│   └── service/
-│           ├── application.yaml                 # 应用配置
+│       ├── ChatService.java            # RAG 聊天服务
-│           └── static/                          # 前端静态资源
+│       └── DocumentService.java         # 文档处理服务
-│               ├── index.html                    # 主页面
-│               ├── css/style.css                 # 深色主题样式
-│               └── js/app.js                    # 流式响应逻辑
 ├── data/
-│   └── doris_intro.md                           # RAG 示例文档
+│   └── doris_intro.md                   # RAG 示例文档
-├── pom.xml
+└── src/main/resources/
-└── README.md
+    ├── application.yaml                  # 应用配置
+    └── static/                           # 前端资源
 ```
 
 ## 💬 API 文档
@@ -108,20 +106,22 @@ springAiDemo/
 | 方法 | 端点 | 描述 | 参数 |
 |:---|:---|:---|:---|
 | GET | `/api/chat/test` | 健康检查 | - |
-| GET | `/api/chat/ai` | 同步 AI 对话 | `msg` |
+| GET | `/api/chat/ai` | 流式 AI 对话 | `msg` |
-| GET | `/api/chat/ai/stream` | 流式 AI 对话 | `msg` |
+| POST | `/api/chat` | RAG 智能问答 | `{ "question": "..." }` |
 
 ### 文档接口
 
-| 方法 | 端点 | 描述 | 参数 |
+| 方法 | 端点 | 描述 |
-|:---|:---|:---|:---|
+|:---|:---|:---|
-| GET | `/api/documents/import` | 导入文档到向量库 | - |
+| GET | `/api/documents/import` | 导入文档到向量库 |
 
 ### 请求示例
 
-**同步对话：**
+**RAG 智能问答：**
 ```bash
-curl "http://localhost:8080/api/chat/ai?msg=什么是Spring AI"
+curl -X POST http://localhost:8080/api/chat \
+  -H "Content-Type: application/json" \
+  -d '{"question": "Apache Doris 是什么？"}'
 ```
 
 **流式对话：**
@@ -134,21 +134,39 @@ curl "http://localhost:8080/api/chat/ai/stream?msg=讲一个故事"
 curl http://localhost:8080/api/documents/import
 ```
 
+### 响应格式
+
+**POST /api/chat 响应：**
+```json
+{
+  "code": 200,
+  "message": "success",
+  "data": {
+    "answer": "Apache Doris 是一个...",
+    "references": ["data/doris_intro.md"],
+    "timestamp": 1713000000000
+  }
+}
+```
+
 ## 📚 RAG 文档问答
 
-### 功能说明
+### 工作原理
 
-将本地文档导入 Milvus 向量数据库，实现基于语义理解的智能问答。
+```
+用户问题 → Embedding → 向量检索 → 构建上下文 → LLM 生成回答 → 返回答案+引用
+```
+
+1. **文档导入** - 将 `.md` / `.txt` 文档读取并切割成 chunks
+2. **向量化** - 使用 BAAI/bge-large-zh-v1.5 生成 1024 维向量
+3. **存储检索** -存入 Milvus，向量相似度搜索 top-K 结果
+4. **生成回答** - 将检索结果作为上下文，LLM 生成答案
 
 ### 使用步骤
 
-1. 将 `.md` 或 `.txt` 文档放入 `data/` 目录
+1. 将文档放入 `data/` 目录
-2. 启动应用
+2. 调用导入接口：`curl http://localhost:8080/api/documents/import`
-3. 调用导入接口：
+3. 通过 POST `/api/chat` 提问
-   ```bash
-   curl http://localhost:8080/api/documents/import
-   ```
-4. 通过聊天界面提问相关问题
 
 ### 文档处理配置
 
@@ -160,20 +178,6 @@ document:
   max-num-chunk: 10000        # 最大块数量
 ```
 
-## 🎨 界面预览
-
-🧩 **现代化深色主题**
-- 渐变标题与毛玻璃效果
-- 流畅的消息气泡动画
-- Markdown 代码块高亮
-- 流式响应动画指示器
-
-📝 **Markdown 支持**
-- 代码块与行内代码
-- 加粗、斜体、删除线
-- 有序/无序列表
-- 引用块、表格、链接
-
 ## 🛠️ 配置说明
 
 ### AI 对话配置
@@ -182,10 +186,10 @@ document:
 spring:
   ai:
     openai:
-      base-url: http://localhost:11434    # Ollama 服务地址
+      base-url: http://localhost:11434
       chat:
         options:
-          model: gpt-oss:120b-cloud       # 对话模型
+          model: gpt-oss:120b-cloud
           temperature: 0.7
 ```
 
@@ -200,7 +204,6 @@ spring:
         base-url: https://api.siliconflow.cn
         model: BAAI/bge-large-zh-v1.5
         dimensions: 1024
-        enabled: true
 ```
 
 ### 向量数据库配置
@@ -210,47 +213,44 @@ spring:
   ai:
     vectorstore:
       milvus:
-        host: 192.168.50.103
+        client:
-        port: 19530
+          host: 192.168.50.103
-        database-name: doris_docs
+          port: 19530
-        collection-name: vector_store
+        databaseName: doris_docs
-        embedding-dimension: 1024
+        collectionName: vector_store
-        index-type: IVF_FLAT
-        metric-type: COSINE
 ```
 
 ## 🎬 架构图
 
 ```
-┌─────────────┐     ┌──────────────────┐     ┌─────────────────┐
+┌─────────────────────────────────────────────────────────────┐
-│   Client    │────▶│ ChatController   │────▶│  ChatClient     │
+│                         Client                              │
-│  (HTTP)     │     │  (Spring MVC)    │     │  (Spring AI)    │
+│  ┌─────────────────┐     ┌─────────────────────────────────┐│
-└─────────────┘     └──────────────────┘     └────────┬────────┘
+│  │   Web UI        │     │   POST /api/chat                ││
-                                                       │
+│  │   (流式/非流式)  │────▶│   { question: "..." }          ││
-                    ┌──────────────────┐               │
+│  └─────────────────┘     └─────────────────────────────────┘│
-                    │ DocumentService  │               │
+└─────────────────────────────────────────────────────────────┘
-                    │  (文档处理)       │               ▼
+                                    │
-                    └────────┬─────────┘     ┌─────────────────┐
+                                    ▼
-                             │               │  Ollama/OpenAI  │
+┌─────────────────────────────────────────────────────────────┐
-                             ▼               │  (LLM Provider) │
+│                    ChatController                            │
-                    ┌──────────────────┐     └─────────────────┘
+│              POST /api/chat  →  ChatService                  │
-                    │  Milvus Store    │
+└─────────────────────────────────────────────────────────────┘
-                    │  (向量存储)       │
+                                    │
-                    └──────────────────┘
+                    ┌───────────────┴───────────────┐
+                    ▼                               ▼
+┌─────────────────────────┐         ┌─────────────────────────┐
+│    VectorStore          │         │     ChatClient          │
+│  (Milvus 语义检索)       │         │     (Ollama LLM)        │
+└─────────────────────────┘         └─────────────────────────┘
+                    │                               │
+                    ▼                               ▼
+┌─────────────────────────┐         ┌─────────────────────────┐
+│    DocumentService      │         │   SiliconFlow API        │
+│  (文档切割/向量化)        │         │   (Embedding)           │
+└─────────────────────────┘         └─────────────────────────┘
 ```
 
-## 📄 预留功能
-
-以下依赖已集成，可按需启用：
-
-- 📔 **PDF 文档解析** - Apache PDFBox 文档处理
-
-## 👷 已知限制
-
-1. 暂无对话历史持久化
-2. 暂未实现请求频率限制
-3. Milvus 连接信息硬编码在配置中
-
 ## 📖 更新日志
 
 ### v1.0.0 (2026-04-19)
@@ -262,10 +262,15 @@ spring:
 ### v1.1.0 (2026-04-19)
 - ✨ 新增 RAG 文档问答功能
 - ✨ 新增 DocumentController 文档导入 API
-- ✨ 新增 DocumentService 文档处理服务
 - ✨ 配置 SiliconFlow Embedding 服务
 - ✨ 集成 Milvus 向量数据库
 
+### v1.2.0 (2026-04-19)
+- ✨ 新增 POST /api/chat RAG 智能问答接口
+- ✨ 新增 ChatService RAG 核心服务
+- ✨ 新增 ChatRequest/ChatResponse/ApiResponse DTO
+- ✨ 新增引用溯源功能，返回文档来源
+
 ## 📗 License
 
 MIT © 2026 Spring AI Demo

src/main/java/com/demo/config/RagConfig.java

@@ -1,5 +1,7 @@
 package com.demo.config;
 
+import org.springframework.ai.chat.client.ChatClient;
+import org.springframework.ai.chat.model.ChatModel;
 import org.springframework.ai.transformer.splitter.TokenTextSplitter;
 import org.springframework.beans.factory.annotation.Value;
 import org.springframework.context.annotation.Bean;
@@ -14,6 +16,11 @@ public class RagConfig {
 
     @Value("${document.max-num-chunk}")
     private int maxNumChunk;
+
+    @Bean
+    public ChatClient chatClient(ChatModel chatModel){
+        return ChatClient.builder(chatModel).build();
+    }
     @Bean
     public TokenTextSplitter tokenTextSplitter() {
         return new TokenTextSplitter(

src/main/java/com/demo/controller/ChatController.java

@@ -1,20 +1,25 @@
 package com.demo.controller;
 
+import com.demo.dto.ApiResponse;
+import com.demo.dto.ChatRequest;
+import com.demo.dto.ChatResponse;
+import com.demo.service.ChatService;
+import lombok.extern.slf4j.Slf4j;
 import org.springframework.ai.chat.client.ChatClient;
-import org.springframework.web.bind.annotation.GetMapping;
+import org.springframework.web.bind.annotation.*;
-import org.springframework.web.bind.annotation.RequestMapping;
-import org.springframework.web.bind.annotation.RequestParam;
-import org.springframework.web.bind.annotation.RestController;
 import reactor.core.publisher.Flux;
 
+@Slf4j
 @RestController
 @RequestMapping("/api/chat")
 public class ChatController {
 
     private final ChatClient chatClient;
+    private final ChatService chatService;
 
-    public ChatController(ChatClient.Builder chatClientBuilder) {
+    public ChatController(ChatClient.Builder chatClientBuilder, ChatService chatService) {
         this.chatClient = chatClientBuilder.build();
+        this.chatService = chatService;
     }
 
     @GetMapping("/test")
@@ -31,6 +36,13 @@ public class ChatController {
                 .content();
     }
 
+    @PostMapping
+    public ApiResponse<ChatResponse> chat(@RequestBody ChatRequest request) {
+        log.info("接收到请求，用户的问题是：{}",request.getQuestion());
+        ChatResponse response = chatService.chat(request);
+        return  ApiResponse.success(response);
+    }
+
     /**
      * 流式的聊天接口，要注意如果中文有乱码，就是编码得问题，需要添加produces = "text/html;charset=UTF-8
      * @param msg

src/main/java/com/demo/dto/ApiResponse.java

@@ -0,0 +1,46 @@
+package com.demo.dto;
+
+import lombok.AllArgsConstructor;
+import lombok.Builder;
+import lombok.Data;
+import lombok.NoArgsConstructor;
+
+@Data
+@Builder
+@NoArgsConstructor
+@AllArgsConstructor
+public class ApiResponse<T> {
+    
+    private int code;
+    
+    private String message;
+    
+    private T data;
+    
+    public static <T> ApiResponse<T> success(T data) {
+        return ApiResponse.<T>builder()
+                .code(200)
+                .message("success")
+                .data(data)
+                .build();
+    }
+    
+    public static <T> ApiResponse<T> success(String message, T data) {
+        return ApiResponse.<T>builder()
+                .code(200)
+                .message(message)
+                .data(data)
+                .build();
+    }
+    
+    public static <T> ApiResponse<T> error(int code, String message) {
+        return ApiResponse.<T>builder()
+                .code(code)
+                .message(message)
+                .build();
+    }
+    
+    public static <T> ApiResponse<T> error(String message) {
+        return error(500, message);
+    }
+}

src/main/java/com/demo/dto/ChatRequest.java

@@ -0,0 +1,13 @@
+package com.demo.dto;
+
+import jakarta.validation.constraints.NotBlank;
+import lombok.Data;
+
+@Data
+public class ChatRequest {
+
+    @NotBlank(message = "请输入你的问题")
+    private String question;
+    private Integer topK = 3;
+
+}

src/main/java/com/demo/dto/ChatResponse.java

@@ -0,0 +1,21 @@
+package com.demo.dto;
+
+import lombok.AllArgsConstructor;
+import lombok.Builder;
+import lombok.Data;
+import lombok.NoArgsConstructor;
+
+import java.util.List;
+
+@Data
+@Builder
+@NoArgsConstructor
+@AllArgsConstructor
+public class ChatResponse {
+    
+    private String answer;
+    
+    private List<String> references;
+    
+    private Long timestamp;
+}

src/main/java/com/demo/service/ChatService.java

@@ -0,0 +1,101 @@
+package com.demo.service;
+
+import com.demo.dto.ChatRequest;
+import com.demo.dto.ChatResponse;
+import lombok.RequiredArgsConstructor;
+import lombok.extern.slf4j.Slf4j;
+import org.springframework.ai.chat.client.ChatClient;
+import org.springframework.ai.chat.messages.Message;
+import org.springframework.ai.chat.messages.UserMessage;
+import org.springframework.ai.chat.prompt.Prompt;
+import org.springframework.ai.chat.prompt.SystemPromptTemplate;
+import org.springframework.ai.document.Document;
+import org.springframework.ai.vectorstore.SearchRequest;
+import org.springframework.ai.vectorstore.VectorStore;
+import org.springframework.beans.factory.annotation.Autowired;
+import org.springframework.stereotype.Service;
+
+import java.util.List;
+import java.util.Map;
+import java.util.stream.Collectors;
+
+@Slf4j
+@Service
+public class ChatService {
+    @Autowired
+    private final VectorStore vectorStore;
+    @Autowired
+    private final ChatClient chatClient;
+
+    private static final String SYSTEM_PROMPT = """
+             你是一个专业的 Apache Doris 技术支持助手。
+             请基于以下提供的文档内容回答用户的问题。
+            \s
+             文档内容：
+             {context}
+            \s
+             回答要求：
+             1. 如果文档中有相关信息，请准确引用并详细回答
+             2. 如果文档中没有相关信息，请明确告知用户
+             3. 保持专业、准确、友好的语气
+             4. 使用中文回答
+            """;
+
+    public ChatService(VectorStore vectorStore, ChatClient.Builder chatClientBuilder) {
+        this.vectorStore = vectorStore;
+        this.chatClient = chatClientBuilder.build();
+    }
+
+    /**
+     * 根据用户的请求，查询知识库，并通过大模型回答问题。
+     * @param request
+     * @return
+     */
+    public ChatResponse chat(ChatRequest request) {
+
+        // 1. 拿到用户问题，首先需要检错向量数据库，查看是否有相关的文档
+        // 这里是向量检索，我们拿到的用户的问题是文字，通过embedding模型进行向量化处理后，再进进行检索
+        List<Document> relevantDocs = vectorStore.similaritySearch(
+                SearchRequest.query(request.getQuestion())
+                        .withTopK(request.getTopK())
+                        .withSimilarityThreshold(0.5) // 【关键核心】相似度必须大于 0.75（满分通常是1.0）
+        );
+        log.info("检索到 {} 个相关文档", relevantDocs.size());
+
+//        // debug:遍历打印它们的真实得分
+//        for (int i = 0; i < relevantDocs.size(); i++) {
+//            Document doc = relevantDocs.get(i);
+//            // 打印每一条文档的 metadata，里面通常会有一个叫 "distance" 或 "similarity" 的字段
+//            log.info("第 {} 个文档的 Metadata: {}", i + 1, doc.getMetadata());
+//            // log.info("文档片段内容: {}", doc.getContent().substring(0, Math.min(50, doc.getContent().length())) + "...");
+//        }
+
+        // 2. 根据检索结果，构建上下文(请求llm的上下文)
+        String content = relevantDocs.stream()
+                .map(Document::getContent)
+                .collect(Collectors.joining("\n\n --- \n\n"));
+
+        // 3. 创建提示词
+        SystemPromptTemplate systemPromptTemplate = new SystemPromptTemplate(SYSTEM_PROMPT);
+        Message systemPrompt = systemPromptTemplate.createMessage(Map.of("context", content));
+        UserMessage userMessage = new UserMessage(request.getQuestion());
+        Prompt prompt = new Prompt(List.of(systemPrompt, userMessage));
+
+        // 4. 调用 LLM 生成答案
+        String answer = chatClient.prompt(prompt)
+                .call()
+                .content();
+
+        // 5. 封装返回的内容
+        List<String> references = relevantDocs.stream()
+                .map(doc -> (String) doc.getMetadata().get("source"))
+                .distinct()
+                .collect(Collectors.toList());
+
+        return ChatResponse.builder()
+                .answer(answer)
+                .references(references)
+                .timestamp(System.currentTimeMillis())
+                .build();
+    }
+}