# 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 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)
[![JDK](https://img.shields.io/badge/JDK-17%2B-orange)](https://openjdk.org/)
[![License](https://img.shields.io/badge/License-MIT-yellow)](LICENSE)

## ✨ 特性

- 🌐 **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 智能问答** - 基于向量检索的上下文感知回答
- 🔍 **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
- 🎨 **精美界面** - 深色主题响应式设计

## 🚀 快速开始

### 环境要求

- JDK 17+
- Maven 3.8+
- [Ollama](https://ollama.ai/) 本地服务
- Milvus 向量数据库

### 1. 安装 Ollama

```bash
# macOS/Linux
curl -fsSL https://ollama.ai/install.sh | sh

# 拉取模型
ollama pull gpt-oss:120b-cloud

# 启动服务 (默认端口 11434)
ollama serve
```

### 2. 启动项目

```bash
mvn spring-boot:run
```

### 3. 访问应用

- **Web 界面**: http://localhost:8080
- **健康检查**: http://localhost:8080/api/chat/test

## 🔧 技术栈

### 后端

| 组件 | 技术 | 版本 |
|:---|:---|:---|
| 基础框架 | Spring Boot | 3.2.0 |
| AI 框架 | Spring AI | 1.0.0-M3 |
| AI 模型 | OpenAI/Ollama | - |
| 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 |

### 前端

| 技术 | 用途 |
|:---|:---|
| HTML5 + CSS3 | 页面结构与样式 |
| Marked.js | Markdown 解析渲染 |
| Highlight.js | 代码语法高亮 |

## 📁 项目结构

```
springAiDemo/
├── src/main/java/com/demo/
│   ├── MyApplication.java              # Spring Boot 启动入口
│   ├── config/
│   │   └── RagConfig.java               # RAG 配置类
│   ├── controller/
│   │   ├── ChatController.java          # AI 聊天 API
│   │   └── DocumentController.java      # 文档导入 API
│   ├── dto/
│   │   ├── ApiResponse.java             # 通用响应封装
│   │   ├── ChatRequest.java             # 聊天请求 DTO
│   │   └── ChatResponse.java            # 聊天响应 DTO
│   └── service/
│       ├── ChatService.java            # RAG 聊天服务
│       └── DocumentService.java         # 文档处理服务
├── data/
│   └── doris_intro.md                   # RAG 示例文档
└── src/main/resources/
    ├── application.yaml                  # 应用配置
    └── static/                           # 前端资源
```

## 💬 API 文档

### 聊天接口

| 方法 | 端点 | 描述 | 参数 |
|:---|:---|:---|:---|
| GET | `/api/chat/test` | 健康检查 | - |
| GET | `/api/chat/ai` | 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 |
|:---|:---|:---|
| GET | `/api/documents/import` | 导入文档到向量库 |

### 请求示例

**RAG 智能问答：**
```bash
curl -X POST http://localhost:8080/api/chat \
  -H "Content-Type: application/json" \
  -d '{"question": "Apache Doris 是什么？"}'
```

**流式对话：**
```bash
curl "http://localhost:8080/api/chat/ai/stream?msg=讲一个故事"
```

**导入 RAG 文档：**
```bash
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

### 工作原理

```
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. 将文档放入 `data/` 目录
2. 调用导入接口：`curl http://localhost:8080/api/documents/import`
3. 通过 POST `/api/chat` 提问

### 文档处理配置

```yaml
document:
  data-path: data              # 文档目录
  chunk-size: 400             # 分割块大小 (tokens)
  min-chunk-size: 200         # 最小块大小
  max-num-chunk: 10000        # 最大块数量
```

## 🛠️ 配置说明

### AI 对话配置

```yaml
spring:
  ai:
    openai:
      base-url: http://localhost:11434
      chat:
        options:
          model: gpt-oss:120b-cloud
          temperature: 0.7
```

### Embedding 配置

```yaml
spring:
  ai:
    openai:
      embedding:
        api-key: your-siliconflow-api-key
        base-url: https://api.siliconflow.cn
        model: BAAI/bge-large-zh-v1.5
        dimensions: 1024
```

### 向量数据库配置

```yaml
spring:
  ai:
    vectorstore:
      milvus:
        client:
          host: 192.168.50.103
          port: 19530
        databaseName: doris_docs
        collectionName: vector_store
```

## 🎬 架构图

```
┌─────────────────────────────────────────────────────────────┐
│                         Client                              │
│  ┌─────────────────┐     ┌─────────────────────────────────┐│
│  │   Web UI        │     │   POST /api/chat                ││
│  │   (流式/非流式)  │────▶│   { question: "..." }          ││
│  └─────────────────┘     └─────────────────────────────────┘│
└─────────────────────────────────────────────────────────────┘
                                    │
                                    ▼
┌─────────────────────────────────────────────────────────────┐
│                    ChatController                            │
│              POST /api/chat  →  ChatService                  │
└─────────────────────────────────────────────────────────────┘
                                    │
                    ┌───────────────┴───────────────┐
                    ▼                               ▼
┌─────────────────────────┐         ┌─────────────────────────┐
│    VectorStore          │         │     ChatClient          │
│  (Milvus 语义检索)       │         │     (Ollama LLM)        │
└─────────────────────────┘         └─────────────────────────┘
                    │                               │
                    ▼                               ▼
┌─────────────────────────┐         ┌─────────────────────────┐
│    DocumentService      │         │   SiliconFlow API        │
│  (文档切割/向量化)        │         │   (Embedding)           │
└─────────────────────────┘         └─────────────────────────┘
```

## 📖 更新日志

### v1.0.0 (2026-04-19)
- 🎉 初始版本发布
- 支持流式 AI 对话
- Markdown 渲染与代码高亮
- 深色主题 Web 界面

### v1.1.0 (2026-04-19)
- ✨ 新增 RAG 文档问答功能
- ✨ 新增 DocumentController 文档导入 API
- ✨ 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

---

🚀 **Made with Spring AI**