Spring AI Alibaba 集成 Redis 向量数据库实现 RAG 与记忆功能

Ne0inhk

— 10 min read

Spring AI Alibaba 集成 Redis 向量数据库实现 RAG 与记忆功能

概述

本文基于一个完整的 Spring Boot 项目示例，详细讲解如何使用 Spring AI Alibaba 框架集成 Redis 向量数据库，实现检索增强生成（RAG）和对话记忆功能。项目包含向量存储、文档加载、多模型配置、记忆管理等核心模块，适用于构建具备知识库检索和上下文记忆的 AI 应用。

项目架构概览

整个项目采用分层架构设计，主要包含以下核心组件：

  • 配置层：Redis 连接配置、AI 模型配置、向量存储配置
  • 数据层：文档加载器、向量存储实现
  • 业务层：RAG 检索、对话记忆管理
  • 控制层：RESTful API 接口

一、环境准备与依赖配置

1.1 Maven 依赖配置

在 pom.xml 中配置 Spring AI Alibaba 相关依赖：

<properties><spring-ai.version>1.0.0</spring-ai.version><spring-ai-alibaba.version>1.0.0.2</spring-ai-alibaba.version><spring-boot.version>3.4.5</spring-boot.version><java.version>17</java.version></properties><dependencies><!-- Spring AI Alibaba BOM --><dependency><groupId>com.alibaba.cloud.ai</groupId><artifactId>spring-ai-alibaba-bom</artifactId><version>${spring-ai-alibaba.version}</version><type>pom</type><scope>import</scope></dependency><!-- DashScope 模型支持 --><dependency><groupId>com.alibaba.cloud.ai</groupId><artifactId>spring-ai-alibaba-starter-dashscope</artifactId><version>${spring-ai-alibaba.version}</version></dependency><!-- Redis 记忆存储 --><dependency><groupId>com.alibaba.cloud.ai</groupId><artifactId>spring-ai-alibaba-starter-memory-redis</artifactId><version>${spring-ai-alibaba.version}</version></dependency><!-- 向量存储核心 --><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-vector-store</artifactId><version>${spring-ai.version}</version></dependency><!-- Redis 客户端 --><dependency><groupId>redis.clients</groupId><artifactId>jedis</artifactId></dependency><!-- 其他基础依赖 --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId><optional>true</optional></dependency></dependencies>

1.2 配置文件（application.yml）

spring:data:redis:host: localhost port:6379password:123456lettuce:pool:max-active:16max-idle:8min-idle:4timeout: 2000ms servlet:multipart:max-file-size: 100MB max-request-size: 100MB application:name: Roadnetworktraffic ai:vectorstore:redis:initialize-schema:trueindex-name: custom-index prefix: custom-prefix dashscope:embedding:baseUrl: https://dashscope.aliyuncs.com # 向量模型api-key: your-api-key-here options:model: text-embedding-v4 api-key: your-api-key-here base-url: https://dashscope.aliyuncs.com/compatible-mode/v1 chat:options:model: qwen-flash

关键配置说明：

  • spring.data.redis：Redis 连接配置，用于向量存储和记忆存储
  • spring.ai.vectorstore.redis：向量存储的 Redis 索引配置
  • spring.ai.dashscope：通义千问模型配置，包括嵌入模型和对话模型

二、核心组件实现

2.1 Redis 记忆存储配置

@ConfigurationpublicclassRedisMemoryConfig{@Value("${spring.data.redis.host}")privateString host;@Value("${spring.data.redis.port}")privateint port;@Value("${spring.data.redis.password}")privateString password;@BeanpublicRedisChatMemoryRepositoryredisChatMemoryRepository(){returnRedisChatMemoryRepository.builder().host(host).password(password).port(port).build();}}

功能说明：

  • 通过 @Value 注入配置文件中的 Redis 连接参数
  • 创建 RedisChatMemoryRepository Bean，用于存储对话历史
  • 支持多会话隔离，每个会话 ID 对应独立的记忆存储

2.2 多模型配置（DeepSeek + Qwen）

@ConfigurationpublicclassSaaLLMConfig{@Value("${spring.ai.dashscope.api-key}")privateString apiKey;// 模型名称常量privatefinalString DEEPSEEK_MODEL ="deepseek-v3.2";privatefinalString QWEN_MODEL ="qwen-flash";@Bean(name ="deepseek")publicChatClientdeepSeek(RedisChatMemoryRepository redisChatMemoryRepository){DashScopeChatModel dashScopeChatModel =DashScopeChatModel.builder().dashScopeApi(DashScopeApi.builder().apiKey(apiKey).build()).defaultOptions(DashScopeChatOptions.builder().withModel(DEEPSEEK_MODEL).build()).build();returnChatClient.builder(dashScopeChatModel).defaultAdvisors(MessageChatMemoryAdvisor.builder(MessageWindowChatMemory.builder().chatMemoryRepository(redisChatMemoryRepository).maxMessages(10).build()).build()).defaultOptions(ChatOptions.builder().model(DEEPSEEK_MODEL).build()).build();}@Bean(name ="qwen")publicChatClientqwen(RedisChatMemoryRepository redisChatMemoryRepository){DashScopeChatModel dashScopeChatModel =DashScopeChatModel.builder().dashScopeApi(DashScopeApi.builder().apiKey(apiKey).build()).defaultOptions(DashScopeChatOptions.builder().withModel(QWEN_MODEL).build()).build();returnChatClient.builder(dashScopeChatModel).defaultAdvisors(MessageChatMemoryAdvisor.builder(MessageWindowChatMemory.builder().chatMemoryRepository(redisChatMemoryRepository).maxMessages(10).build()).build()).defaultOptions(ChatOptions.builder().model(QWEN_MODEL).build()).build();}}

核心特性：

  • 多模型支持：通过 @Qualifier 和 @Bean(name) 实现多模型注入
  • 记忆集成：每个模型都配置了 MessageChatMemoryAdvisor，自动管理对话历史
  • 记忆窗口：maxMessages(10) 限制每个会话最多保留 10 条消息，避免内存溢出

2.3 文档加载与向量存储

2.3.1 文档加载器
@Slf4j@ComponentpublicclassAppDocumentLoader{@Value("classpath:/prompt/Gompt.txt")privateResource opsFile;publicList<Document>loadMarkdowns(){TextReader textReader =newTextReader(opsFile); textReader.setCharset(Charset.defaultCharset());// 使用 TokenTextSplitter 进行文本分割List<Document> list =newTokenTextSplitter().transform(textReader.read());return list;}}

关键点：

  • 使用 TextReader 读取本地文档（支持多种格式）
  • TokenTextSplitter 对长文本进行分块，便于向量化
  • 返回 Document 列表，每个文档包含内容和元数据
2.3.2 向量存储 Bean
@ConfigurationpublicclassVectorStoreBean{@ResourceprivateAppDocumentLoader appDocumentLoader;@ResourceprivateEmbeddingModel embeddingModel;@BeanpublicVectorStorevectorStore(){// 创建 SimpleVectorStore（底层使用 Redis）VectorStore build =SimpleVectorStore.builder(embeddingModel).build();// 加载文档并添加到向量库List<Document> documents = appDocumentLoader.loadMarkdowns(); build.add(documents);return build;}}

RAG 核心流程：

  1. 通过 SimpleVectorStore.builder() 创建向量存储实例
  2. 调用 appDocumentLoader.loadMarkdowns() 加载本地文档
  3. 使用 build.add(documents) 将文档向量化并存储到 Redis
  4. 应用启动时自动完成知识库构建

三、RESTful API 实现

3.1 控制器层

@RestController@RequestMapping("/aichat/stream")@Slf4jpublicclassAiController{@Qualifier("deepseek")@AutowiredprivateChatClient deepseekModel;@Qualifier("qwen")@AutowiredprivateChatClient qwenModel;@AutowiredprivateVectorStore vectorStore;@Value("classpath:/prompt/story-prompt.txt")privateResource storyPrompt;@GetMapping(value ="/deepseek")publicFlux<String>chatDeepseek(@RequestParamString sessionId,@RequestParamString userContent){return deepseekModel.prompt().system(storyPrompt)// 系统提示词.user(userContent)// 用户输入.advisors(message ->{// 设置会话 ID，用于记忆隔离if(message !=null){ message.param(CONVERSATION_ID, sessionId);}}).advisors(RetrievalAugmentationAdvisor.builder().documentRetriever(VectorStoreDocumentRetriever.builder().vectorStore(vectorStore).build()).build()).stream()// 流式输出.content().doOnError(e -> log.error("Stream error: "+ e.getMessage()));}@GetMapping("/qwen")publicFlux<String>chatQwen(@RequestParamString sessionId,@RequestParamString userContent){return qwenModel.prompt().system(storyPrompt).user(userContent).advisors(message ->{if(message !=null){ message.param(CONVERSATION_ID, sessionId);}}).stream().content().doOnError(e -> log.error("Stream error: "+ e.getMessage()));}}

API 特性：

接口路径方法参数功能
/aichat/stream/deepseekGETsessionId, userContentDeepSeek 模型流式对话（带 RAG）
/aichat/stream/qwenGETsessionId, userContentQwen 模型流式对话

核心功能实现：

  1. RAG 检索增强：
    • 通过 RetrievalAugmentationAdvisor 集成向量检索
    • 用户提问时，自动从向量库检索相关文档片段
    • 将检索结果作为上下文注入到模型提示词中
  2. 记忆管理：
    • message.param(CONVERSATION_ID, sessionId) 设置会话标识
    • 同一会话 ID 的对话会共享历史上下文
    • 支持多用户、多会话并行处理
  3. 流式响应：
    • 使用 .stream() 返回 Flux<String> 实现流式输出
    • 支持 SSE（Server-Sent Events）协议，前端可实时接收

四、RAG 与记忆功能原理解析

4.1 检索增强生成（RAG）工作流程

用户提问 → 向量化查询 → Redis 向量库相似度检索 → 获取 top-k 相关文档 ↓ 构建提示词（系统提示 + 检索文档 + 历史对话 + 用户问题） ↓ 调用 AI 模型生成 → 返回响应

检索过程：

  • 用户输入的问题被 text-embedding-v4 模型向量化
  • 在 Redis 向量索引中执行相似度搜索（默认使用余弦相似度）
  • 返回最相关的文档片段作为上下文

4.2 对话记忆实现机制

Spring AI 通过 ChatMemory 抽象层管理对话状态：

// 记忆存储接口publicinterfaceChatMemory{voidadd(ChatMessage message);List<ChatMessage>getMessages();voidclear();}// Redis 实现publicclassRedisChatMemoryimplementsChatMemory{// 使用 Redis 存储，key 格式：memory:sessionId}

记忆存储结构：

  • 每个会话 ID 对应一个独立的 Redis key
  • 使用 List 结构存储消息序列
  • 支持 LRU 淘汰策略（通过 maxMessages 控制）

4.3 向量存储底层实现

SimpleVectorStore 底层使用 Redis 作为存储引擎：

publicclassRedisVectorStoreimplementsVectorStore{// 使用 RedisSearch 模块创建向量索引publicvoidcreateIndex(String indexName,VectorFieldSchema fieldSchema){// 创建 HNSW 索引 FT.CREATE indexName ...}publicvoidadd(List<Document> documents){// 调用 embeddingModel 生成向量List<Float> vector = embeddingModel.embed(document.getContent());// 存储到 Redis Hash redis.hset(key,"vector", vector,"content", content);}}

技术栈：

  • Redis 7.0+ 支持向量搜索（需启用 RedisSearch 模块）
  • HNSW（Hierarchical Navigable Small World）索引算法
  • 支持余弦相似度、欧氏距离等多种相似度计算

五、部署与测试

5.1 环境要求

  • JDK 17+
  • Redis 7.0+（需启用 RedisSearch 模块）
  • Maven 3.6+
  • 通义千问 API Key（用于模型调用）

5.2 Redis 配置

启动 Redis 时需启用模块：

redis-server --loadmodule /path/to/redisearch.so

或使用 Docker：

docker run -p 6379:6379 redislabs/redisearch:latest

5.3 应用启动

mvn clean package java -jar target/your-app.jar

5.4 API 测试

测试 RAG 功能：

# 测试 DeepSeek 模型（带 RAG）curl"http://localhost:8080/aichat/stream/deepseek?sessionId=test123&userContent=什么是GIS？"# 测试 Qwen 模型（不带 RAG）curl"http://localhost:8080/aichat/stream/qwen?sessionId=test123&userContent=你好"

测试记忆功能：

# 第一次对话curl"http://localhost:8080/aichat/stream/deepseek?sessionId=user1&userContent=我叫张三"# 第二次对话（会记住上下文）curl"http://localhost:8080/aichat/stream/deepseek?sessionId=user1&userContent=我的名字是什么？"

六、常见问题与优化建议

6.1 性能优化

向量检索优化：

  • 调整 HNSW 索引参数（M、ef_construction）
  • 使用 GPU 加速嵌入模型计算
  • 对文档进行预处理（去重、关键信息提取）

内存优化：

  • 合理设置 maxMessages，避免内存泄漏
  • 使用 Redis 集群分担存储压力
  • 定期清理过期会话

6.2 功能扩展

多知识库支持：

@Bean(name ="vectorStoreA")publicVectorStorevectorStoreA(){...}@Bean(name ="vectorStoreB")publicVectorStorevectorStoreB(){...}// 根据业务场景选择不同的向量库

混合检索策略：

  • 结合关键词检索 + 向量检索
  • 实现多路召回 + 重排序
  • 支持元数据过滤（文档来源、时间范围等）

6.3 监控与日志

  • 集成 Spring Boot Actuator 监控指标
  • 记录向量检索耗时、模型调用延迟
  • 设置告警阈值（如响应时间 > 3s）

七、总结

本文通过完整可运行的代码示例，详细介绍了 Spring AI Alibaba 集成 Redis 向量数据库实现 RAG 和记忆功能的完整方案。核心要点包括：

  1. 配置简化：Spring AI 提供了声明式配置，大幅降低集成复杂度
  2. 开箱即用：向量存储、记忆管理、模型调用等组件可快速集成
  3. 生产就绪：支持流式响应、多会话隔离、性能优化等生产特性
  4. 扩展性强：支持多模型、多知识库、自定义检索策略

该方案适用于智能客服、知识问答、文档检索等多种 AI 应用场景，具备良好的可维护性和扩展性。

源码地址：本文示例代码已整理到 GitHub，可访问 [项目地址] 获取完整可运行项目。

注意事项：

  • 确保 Redis 已安装并启用 RedisSearch 模块
  • 替换配置文件中的 API Key 为实际值
  • 根据业务需求调整向量索引参数和记忆窗口大小

通过本文的实践，您可以快速构建具备 RAG 和记忆能力的 AI 应用，提升用户体验和回答准确性。

Read more

【前端小站】HTML 标签：网页骨架，从空白到惊艳，全靠这些 HTML 标签搞事情

【前端小站】HTML 标签：网页骨架，从空白到惊艳，全靠这些 HTML 标签搞事情

半桔：个人主页  🔥 个人专栏: 《前端扫盲》《手撕面试算法》《C++从入门到入土》 🔖为什么有人总是赞美生活的丰富多彩？我想这是因为他们善于品尝生活中随时出现的意外。 -余华- 文章目录 * 前言 * 一. HTML结构 * 1.1 初始HTML标签 * 1.2 标签的层次 * 二. HTML文本标签 * 2.1 标题标签 * 2.2 段落标签 * 2.3 强调标签 * 2.3.1 加粗 * 2.3.2 倾斜 * 2.3.3 删除线 * 2.3.4 下划线 * 三. 媒体与交互标签 * 3.

By Ne0inhk
安利一款超实用的前端可视化打印设计器：Vue Print Designer

安利一款超实用的前端可视化打印设计器：Vue Print Designer

做前端开发的朋友应该都懂，业务开发中遇到打印需求真的头大 —— 手写分页逻辑繁琐、不同框架适配麻烦、票据 / 快递单这类定制化打印场景不好实现，找个趁手的打印插件更是难上加难。最近发现了一款开源的可视化打印设计器Vue Print Designer，完美解决了这些痛点，不管是快速开发还是企业级定制化需求都能满足，今天就跟大家详细聊聊这款工具。 一、Vue Print Designer 是什么？ Vue Print Designer 是一款面向业务表单、标签、票据、快递单等打印场景的可视化设计器，核心主打模板化、变量化设计，还提供了静默打印、云打印能力，同时支持 PDF / 图片 / Blob 等多种导出方式，完全能覆盖日常开发中的各类打印需求。 它不是简单的打印插件，而是一套完整的打印解决方案，从可视化设计模板，到参数配置、多端打印，再到定制化扩展，一站式搞定，而且项目还在持续更新，最新版本已经支持英寸、厘米作为单位，对国际化和精细化设计更友好了。 项目地址：https://gitee.com/

By Ne0inhk
Flutter for OpenHarmony: Flutter 三方库 jaspr 为鸿蒙端开启极速渲染的现代 Web 开发新范式（Dart Web 框架首选）

Flutter for OpenHarmony: Flutter 三方库 jaspr 为鸿蒙端开启极速渲染的现代 Web 开发新范式（Dart Web 框架首选）

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.ZEEKLOG.net 前言 在进行 OpenHarmony 开发时，我们偶尔需要跳出原生的 HAP 容器，寻找更轻量、更适合在移动端 Web 加载的方案。虽然 Flutter Web 极其强大，但其生成的 Canvas/Wasm 产物体积巨大，在鸿蒙系统加载较慢。是否存在一种方案，既能使用 Dart 的声明式开发体验，又能产出纯正、轻量的 HTML/CSS/JS 节点？ jaspr 就是这个问题的终极答案。它是一个模仿 Flutter 语法、但专注于渲染原生 Web DOM 的现代框架。通过 Jaspr，鸿蒙开发者可以利用熟悉的 Widget、Component 和生命周期，

By Ne0inhk
Flutter for OpenHarmony: Flutter 三方库 sanitize_html 彻底杜绝 XSS 注入风险（鸿蒙 Web 内容安全净化）

Flutter for OpenHarmony: Flutter 三方库 sanitize_html 彻底杜绝 XSS 注入风险（鸿蒙 Web 内容安全净化）

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.ZEEKLOG.net 前言 在开发 OpenHarmony 应用时，如果我们需要在 UI 中渲染来自后端的 HTML 内容（例如文章正文、用户评论），或者使用 flutter_html 等库，一个致命的安全风险就是 XSS (跨站脚本攻击)。恶意代码可能会通过 <script> 标签或 onerror 属性在你的 App 内执行非法逻辑。 sanitize_html 是一个轻量级且极高效的 HTML 净化库。它采用白名单机制，能瞬间过滤掉所有不安全的标签和属性，确保你在鸿蒙 App 内渲染的每一行 Web 内容都是绝对安全的。 一、核心防御机制解析 sanitize_html 遵循“默认拒绝”

By Ne0inhk