Spring AI企业级知识库：从0到1完整项目实战

适读人群：想做AI落地项目的Java工程师
文章价值：知识库系统完整设计 + 核心代码 + 部署方案

---

项目背景与目标

企业知识库问答系统是目前AI落地最成熟、ROI最高的应用场景之一。本文带你从零搭建一个支持多部门、多格式文档的智能问答系统。

系统目标：

• 支持上传PDF/Word/网页等多格式文档
• 自然语言问答，返回有依据的答案
• 多租户隔离（不同部门看不到彼此的数据）
• 支持1000+并发用户查询

---

系统整体架构

---

数据模型设计

// 文档库实体
@Entity
@Table(name = "knowledge_base")
@Data
public class KnowledgeBase {
    @Id
    @GeneratedValue(strategy = GenerationType.UUID)
    private String id;
    
    private String name;
    private String description;
    private String tenantId;       // 租户ID（部门隔离）
    
    @Enumerated(EnumType.STRING)
    private KnowledgeBaseStatus status;
    
    private LocalDateTime createdAt;
    private LocalDateTime updatedAt;
}

// 文档实体
@Entity
@Table(name = "knowledge_document")
@Data
public class KnowledgeDocument {
    @Id
    @GeneratedValue(strategy = GenerationType.UUID)
    private String id;
    
    private String knowledgeBaseId;
    private String originalFilename;
    private String storageKey;       // MinIO存储路径
    private String fileType;
    private Long fileSize;
    
    @Enumerated(EnumType.STRING)
    private DocumentStatus status;   // PROCESSING/READY/FAILED
    
    private Integer chunkCount;
    private LocalDateTime indexedAt;
}

// 向量块元数据（存在PGVector的metadata列）
record ChunkMetadata(
    String documentId,
    String knowledgeBaseId,
    String tenantId,
    String filename,
    int chunkIndex,
    int totalChunks
) {}

---

核心服务实现

文档入库流水线

@Service
@Slf4j
@RequiredArgsConstructor
public class DocumentPipelineService {
    
    private final DocumentLoaderFactory loaderFactory;
    private final VectorStore vectorStore;
    private final MinioService minioService;
    private final KnowledgeDocumentRepository docRepo;
    
    @Async("documentProcessorPool")
    public void processDocument(String docId) {
        KnowledgeDocument doc = docRepo.findById(docId).orElseThrow();
        doc.setStatus(DocumentStatus.PROCESSING);
        docRepo.save(doc);
        
        try {
            // 1. 从MinIO下载
            byte[] fileBytes = minioService.download(doc.getStorageKey());
            
            // 2. 加载和分块
            List<Document> chunks = loadAndChunk(fileBytes, doc);
            
            // 3. 增加多租户元数据
            String tenantId = getTenantId(doc.getKnowledgeBaseId());
            chunks.forEach(chunk -> {
                chunk.getMetadata().put("tenant_id", tenantId);
                chunk.getMetadata().put("kb_id", doc.getKnowledgeBaseId());
                chunk.getMetadata().put("doc_id", docId);
                chunk.getMetadata().put("filename", doc.getOriginalFilename());
            });
            
            // 4. 向量化入库
            vectorStore.add(chunks);
            
            // 5. 更新状态
            doc.setStatus(DocumentStatus.READY);
            doc.setChunkCount(chunks.size());
            doc.setIndexedAt(LocalDateTime.now());
            docRepo.save(doc);
            
            log.info("文档处理完成: {}, 生成{}个分块", doc.getOriginalFilename(), chunks.size());
            
        } catch (Exception e) {
            doc.setStatus(DocumentStatus.FAILED);
            docRepo.save(doc);
            log.error("文档处理失败: {}", docId, e);
        }
    }
}

多租户问答服务

@Service
@RequiredArgsConstructor
public class TenantAwareQaService {
    
    private final ChatClient chatClient;
    private final VectorStore vectorStore;
    
    public QaResponse query(String question, String tenantId, String kbId) {
        // 多租户过滤：只检索当前租户/知识库的文档
        FilterExpressionBuilder filter = new FilterExpressionBuilder();
        Filter.Expression tenantFilter = filter.and(
            filter.eq("tenant_id", tenantId),
            filter.eq("kb_id", kbId)
        ).build();
        
        List<Document> docs = vectorStore.similaritySearch(
            SearchRequest.query(question)
                .withTopK(5)
                .withSimilarityThreshold(0.7)
                .withFilterExpression(tenantFilter)
        );
        
        if (docs.isEmpty()) {
            return QaResponse.noAnswer("在当前知识库中未找到相关信息");
        }
        
        String context = buildContext(docs);
        String answer = chatClient.prompt()
            .system("你是企业知识库助手，只基于提供的资料回答。")
            .user(u -> u.text("资料：\n{ctx}\n\n问题：{q}")
                .param("ctx", context).param("q", question))
            .call()
            .content();
        
        return QaResponse.builder()
            .answer(answer)
            .sources(extractSources(docs))
            .build();
    }
}

---

部署架构

---

性能优化要点

1. 异步文档处理：上传后立即返回，后台Kafka+Worker处理
2. 向量索引分区：按tenant_id分区，避免全量扫描
3. 答案缓存：相同问题+知识库组合，缓存24小时
4. 预热机制：系统启动时加载高频问题的答案到缓存