Spring Boot 4.0 + Java 21 + Spring AI 2.0 大模型面试辅助平台实战

知识库问答 → 问题向量化 → pgvector 相似度搜索 → 检索相关文档 ↓ 构建 Prompt → LLM 生成回答 → SSE 流式返回 

技术栈概览

后端技术

前端技术

技术选型深度解析

为什么选择 Spring AI？

Spring AI 是 Spring 官方推出的 AI 集成框架，提供了统一的 LLM 调用抽象。选择它的原因主要包括：

1. 统一抽象：一套代码支持多种 LLM 提供商（OpenAI、阿里云 DashScope、Ollama 等），切换模型只需修改配置。
2. Spring 生态集成：与 Spring Boot 无缝集成，支持自动配置、依赖注入、声明式调用。
3. 内置向量存储支持：原生支持 pgvector、Milvus、Pinecone 等向量数据库，简化 RAG 开发。
4. 结构化输出：通过 BeanOutputConverter 将 LLM 输出直接映射为 Java 对象，无需手动解析 JSON。

// 示例：Spring AI 结构化输出
var converter = new BeanOutputConverter<>(ResumeAnalysisDTO.class);
String result = chatClient.prompt()
    .system(systemPrompt)
    .user(userPrompt + converter.getFormat())
    .call().content();
return converter.convert(result); // 直接得到 Java 对象

数据存储为什么选择 PostgreSQL + pgvector？

本项目需要同时存储结构化数据（简历、面试记录）和向量数据（文档 Embedding）。方案对比：

选择 pgvector 的理由：

• 架构简单：不引入额外组件，降低部署和运维复杂度。
• 性能够用：HNSW 索引支持毫秒级检索，万级文档场景完全够用。
• 事务一致性：向量数据和业务数据在同一数据库，天然支持事务。
• SQL 查询：可以结合 WHERE 条件过滤，比如"只在某个分类的知识库中检索"。

-- pgvector 相似度搜索示例
SELECT content, 1-(embedding <=> $1) as similarity 
FROM vector_store 
WHERE metadata->>'category'='Java'
ORDER BY embedding <=> $1 
LIMIT 5;

PostgreSQL 最大的优势在于其强大的可扩展性。开发者可以在不修改内核的情况下，像'即插即用'一样为数据库安装各种功能强大的插件，这让 PostgreSQL 变成了一个无所不能的'数据瑞士军刀'。例如 AI 向量检索有 pgvector，全文搜索有 pg_bm25，时序数据有 TimescaleDB，地理信息有 PostGIS。这种'一站式'解决能力，正是其魅力所在。

为什么引入 Redis？

本项目主要有两个场景用到了 Redis：

1. Redis 替代 ConcurrentHashMap 实现会话的缓存。
2. 基于 Redis Stream 实现简历分析、知识库向量化等场景的异步（还能解耦，分析和向量化可以使用其他编程语言来做）。

为什么引入 Redis Stream？为何不选择 Kafka、RabbitMQ 等更成熟的消息队列？

简历分析、知识库向量化等 AI 任务耗时较长（10-60 秒），不适合同步处理。需要消息队列实现异步解耦。

选择 Redis Stream 的理由：

• 复用现有组件：Redis 已用于会话缓存，无需引入新中间件。
• 功能满足需求：支持消费者组、消息确认（ACK）、持久化。
• 运维简单：对于中小型项目，Redis Stream 完全够用。

构建工具为什么选择 Gradle？

SpringBoot 官方现在用的就是 Gradle，加上国内现在都是 Maven 更多，换个 Gradle 还更新颖一些。个人也更喜欢用 Gradle，也写过相关的文章。

为什么使用 MapStruct？

项目中有大量 Entity ↔ DTO 转换需求，MapStruct 是编译时代码生成的对象映射框架：

为什么使用 Apache Tika？

系统需要解析多种格式的文档（PDF、Word、TXT），Apache Tika 是 Apache 基金会的文档解析库：

• 格式支持全：PDF、DOCX、DOC、TXT、HTML、Markdown 等上百种格式。
• 自动识别：根据文件内容自动检测格式，无需依赖文件扩展名。
• 文本提取：统一的 API 提取纯文本，屏蔽格式差异。

// Tika 解析示例
Tika tika = new Tika();
String content = tika.parseToString(inputStream); // 自动识别格式并提取文本

为什么使用 SSE 而不是 WebSocket？

知识库问答需要流式输出（像 ChatGPT 那样逐字显示），有两种技术选择：

选择 SSE 的理由：

• 场景匹配：LLM 流式输出是单向的（服务端 → 客户端），不需要双向通信。
• 实现简单：基于 HTTP，天然支持重连、跨域。
• Spring 支持好：Flux<ServerSentEvent<String>> 一行代码搞定。

前端为什么选择 React + TypeScript + Tailwind CSS？

效果展示

简历与面试

简历库：

简历上传分析：

简历分析详情：

面试记录：

面试详情：

模拟面试：

知识库

知识库管理：

问答助手：

学习收获

本项目采用行业最前沿的 Java 21 + Spring Boot 4.0 技术栈，是市面上首个深度集成 Spring AI 2.0 的全栈实战项目。项目整体设计遵循'由浅入深'原则。

深度掌握 AI 应用开发的核心范式

• Spring AI 2.0 工业级实战：深入理解 Spring 官方的 AI 抽象层，掌握如何通过统一的声明式接口对接通义千问、OpenAI 等主流模型。
• Prompt Engineering（提示词工程）深度应用：告别简单的字符串拼接。学习如何构建结构化的 System/User Prompt，并利用 BeanOutputConverter 实现 LLM 输出向 Java 对象的自动化映射，彻底终结繁琐的 JSON 手动解析。
• RAG（检索增强生成）全链路闭环：深度拆解'文档解析 -> 文本分块 -> 向量化 (Embedding) -> 向量数据库存储 -> 相似度检索 -> 上下文增强生成'的完整技术链条。

现代化的 Java 后端架构思维

• 拥抱 Java 21 与 Spring Boot 4.0：抢先布局虚拟线程 (Virtual Threads)、Record 类等高性能特性。针对 Spring Boot 4.0 的模块化设计进行深度适配，让你的技术栈领先市场。
• 模块化单体架构：学习如何通过清晰的层级（Modules + Infrastructure + Common）组织代码。这种设计既具备微服务的解耦优势，又极大降低了单体应用的运维心智负担。
• 极致的对象转换性能：通过 MapStruct 在编译期生成映射代码。学习如何在追求极致响应速度的场景下，优雅、安全地处理 Entity 与 DTO 之间的复杂映射。

务实的数据存储与中间件选型

我们拒绝盲目堆砌中间件，而是教你如何基于业务场景做出'最理智'的选择：

• PostgreSQL + pgvector 的'一站式'存储方案：掌握如何在同一套数据库中高效处理关系型业务数据与高维向量数据。深入学习 HNSW 索引在万级文档场景下的性能调优实践。
• Redis + Lua 分布式限流体系：实战封装高性能分布式限流组件。基于 Lua 脚本保证限流逻辑的原子性，支持按用户、IP 或全局维度的精准流量控制，有效防御恶意刷接口行为，保障高价值 AI API 的配额安全。
• Redis Stream 异步任务处理：深入探讨在简历分析等耗时场景（10-60s）下，为什么选择轻量级的 Redis Stream 而非 Kafka。实战演示如何通过消息队列实现系统解耦与流量削峰。
• 企业级文件处理与清洗优化：不仅利用 Apache Tika 构建通用的文档解析引擎，还配套实现了 TextCleaningService。通过正则清洗、空行标准化及文本去噪（如剔除图片链接、非法控制字符），显著提升 RAG 的召回质量；同时集成内容哈希检测，从源头拦截重复上传，节省存储与 Token 成本。

标准化的工程化交付与部署

• Gradle 现代构建体系：摆脱 Maven 的繁琐配置，掌握 Gradle 8.14 及其版本目录 (Version Catalog) 的灵活性，学习如何优雅地管理大型项目依赖。
• 生产级容器化部署：通过 Docker Compose 一键搭建包含数据库扩展、缓存、对象存储在内的全套运行环境，理解云原生时代下的基础设施配置规范。

丝滑的前端工程化与交互体验

对于后端开发者，这更是一次补齐'全栈视野'的绝佳机会：

• SSE (Server-Sent Events) 流式渲染：掌握像 ChatGPT 一样逐字输出回答的底层技术，理解其在单向推送场景下相比 WebSocket 的架构优势。
• 响应式 UI 与动效设计：利用 Tailwind CSS 极简构建美观界面，结合 Framer Motion 实现高级交互动效。
• AI 数据可视化：通过 Recharts 将 AI 分析后的简历评分、多维对比以直观的雷达图形式呈现，让数据'会说话'。

项目地址

• Github：https://github.com/Snailclimb/interview-guide
• Gitee：https://gitee.com/SnailClimb/interview-guide

完整代码完全免费开源，没有 Pro 版本或者付费版！