# AI 智能客服系统 Linux 部署详细教程

> 项目：AI 智能客服系统（Spring AI Alibaba + 通义千问 + PGVector）
> 适用服务器：Linux（CentOS 7/8、Ubuntu 20.04/22.04、Debian 等通用发行版）
> 部署方式：Docker 部署 PostgreSQL + PGVector 数据库，JDK 17 直接运行 Spring Boot Fat Jar
> 生成日期：2026-06-27

---

## 目录

1. [部署架构与端口规划](#1-部署架构与端口规划)
2. [服务器环境准备](#2-服务器环境准备)
3. [安装 Docker 与 Docker Compose](#3-安装-docker-与-docker-compose)
4. [Docker 部署 PostgreSQL + PGVector 数据库](#4-docker-部署-postgresql--pgvector-数据库)
5. [数据库初始化验证](#5-数据库初始化验证)
6. [后端项目打包](#6-后端项目打包)
7. [上传与生产配置](#7-上传与生产配置)
8. [启动后端服务](#8-启动后端服务)
9. [配置 AI 大模型（必做）](#9-配置-ai-大模型必做)
10. [开机自启：systemd 服务](#10-开机自启systemd-服务)
11. [Nginx 反向代理（可选）](#11-nginx-反向代理可选)
12. [日常运维与排错](#12-日常运维与排错)
13. [附：一键部署脚本](#13-附一键部署脚本)

---

## 1. 部署架构与端口规划

```
[浏览器/客户端]
       │ :80 / :443（可选 Nginx）
       ▼
[ Linux 服务器 ]
   ├── Docker 容器: postgres-pgvector   :5432  ← 数据库
   └── JDK 17 进程: yu-ai-agent.jar     :9090  ← 后端服务（含前端静态页面）
```

| 组件 | 端口 | 说明 |
|------|------|------|
| Spring Boot 后端 | 9090 | API + 前端管理页面（同源） |
| PostgreSQL | 5432 | 仅容器内 / 本机访问，不对公网开放 |

**关键说明（务必先读）**

- 本项目**前端页面已打包进 jar**（位于 `src/main/resources/static/`），部署时**无需单独部署前端**，访问 `http://服务器IP:9090/index.html` 即可。
- 数据库表（`knowledge_category`、`knowledge_document`、`ai_model_config`、`chat_message` 等）由 `DatabaseInitConfig` 在应用启动时**自动创建**，向量表 `vector_store` 由 `PgVectorStore` 自动创建（`initializeSchema=true`），**无需手动执行 SQL**。
- `application.yml` 中 `spring.ai.dashscope.enabled: false`，DashScope 自动配置已关闭；**即便没有 API Key 也能正常启动服务**，AI 功能在「AI 大模型配置管理」页面填入 Key 后热切换生效。
- 模型名称、温度、最大 Token、API Key 等参数**全部在前端页面 / DB `ai_model_config` 表中管理**，yml 仅保留可选的种子 `api-key`。

---

## 2. 服务器环境准备

### 2.1 系统要求

| 项目 | 要求 |
|------|------|
| OS | Linux x86_64（CentOS 7+ / Ubuntu 20.04+） |
| CPU/内存 | 建议 2 核 4G 起步（知识库向量化较耗内存） |
| 磁盘 | 20G+（文档、向量数据） |
| 网络 | 服务器需能访问 `dashscope.aliyuncs.com`（通义千问）等 AI 提供商 API |

### 2.2 基础工具安装

```bash
# Ubuntu / Debian
sudo apt update && sudo apt install -y wget curl vim tar unzip net-tools

# CentOS / RHEL
sudo yum install -y wget curl vim tar unzip net-tools
```

### 2.3 防火墙放行端口

```bash
# Ubuntu (ufw)
sudo ufw allow 9090/tcp
sudo ufw reload

# CentOS (firewalld)
sudo firewall-cmd --permanent --add-port=9090/tcp
sudo firewall-cmd --reload
```

> 若部署在云服务器（阿里云/腾讯云等），还需在**安全组**中放行 9090 端口。

---

## 3. 安装 Docker 与 Docker Compose

### 3.1 一键安装 Docker

```bash
# 使用阿里云镜像加速安装（国内推荐）
curl -fsSL https://get.docker.com | bash -s docker --mirror Aliyun

# 启动并设置开机自启
sudo systemctl start docker
sudo systemctl enable docker

# 验证
docker --version
docker compose version
```

### 3.2 配置 Docker 镜像加速（国内必做）

```bash
sudo mkdir -p /etc/docker
sudo tee /etc/docker/daemon.json <<'EOF'
{
  "registry-mirrors": [
    "https://docker.m.daocloud.io",
    "https://dockerproxy.com",
    "https://docker.mirrors.ustc.edu.cn"
  ]
}
EOF

sudo systemctl daemon-reload
sudo systemctl restart docker
```

---

## 4. Docker 部署 PostgreSQL + PGVector 数据库

本项目原开发机使用 PostgreSQL + PGVector 扩展，部署时保持一致。`pgvector/pgvector` 镜像内置了 vector 扩展，开箱即用。

### 4.1 创建数据目录与 compose 文件

```bash
# 创建部署目录
sudo mkdir -p /opt/support-bot/{db,data,app,logs}
cd /opt/support-bot

# 创建 compose 文件
sudo tee /opt/support-bot/docker-compose.yml <<'EOF'
version: "3.8"

services:
  postgres:
    image: pgvector/pgvector:pg16
    container_name: support-bot-postgres
    restart: always
    ports:
      - "5432:5432"
    environment:
      POSTGRES_USER: postgres
      POSTGRES_PASSWORD: supportbot123
      POSTGRES_DB: support_bot
      TZ: Asia/Shanghai
    volumes:
      - /opt/support-bot/data:/var/lib/postgresql/data
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U postgres -d support_bot"]
      interval: 10s
      timeout: 5s
      retries: 5
EOF
```

> **参数说明**
> - `pgvector/pgvector:pg16`：内置 PGVector 扩展的 PostgreSQL 16 镜像（与开发机 PG 12+ 兼容，建议用 16）。
> - `POSTGRES_DB: support_bot`：自动创建本项目所需数据库。
> - `POSTGRES_PASSWORD`：请修改为强密码，并同步修改后端配置。
> - 数据持久化到宿主机 `/opt/support-bot/data`，容器重建不丢数据。

### 4.2 启动数据库

```bash
cd /opt/support-bot
sudo docker compose up -d

# 查看状态（应为 healthy）
sudo docker compose ps
sudo docker logs -f support-bot-postgres
```

### 4.3 在数据库中启用 vector 扩展

进入容器执行（PGVector 扩展需在目标库中显式启用）：

```bash
sudo docker exec -it support-bot-postgres psql -U postgres -d support_bot -c "CREATE EXTENSION IF NOT EXISTS vector;"

# 验证扩展已安装
sudo docker exec -it support-bot-postgres psql -U postgres -d support_bot -c "\dx"
```

输出中应看到 `vector` 扩展。

> 说明：应用启动时 `PgVectorStore` 会自动创建 `vector_store` 表，但 vector 扩展本身需提前 `CREATE EXTENSION` 启用（上述命令已完成）。

---

## 5. 数据库初始化验证

确认数据库与扩展就绪：

```bash
# 列出数据库
sudo docker exec -it support-bot-postgres psql -U postgres -l

# 查看 vector 扩展
sudo docker exec -it support-bot-postgres psql -U postgres -d support_bot -c "SELECT extname FROM pg_extension;"
```

此时业务表（`knowledge_document` 等）尚不存在 —— 它们会在后端首次启动时由 `DatabaseInitConfig` 自动创建。**无需手动建表。**

---

## 6. 后端项目打包

### 6.1 方式 A：在本机（Windows）打包后上传（推荐）

项目根目录已含 `mvnw`，无需本机安装 Maven。

```bash
# 在项目根目录 D:\IdeaProjects\chat-bot 执行
./mvnw clean package -DskipTests
```

打包成功后，jar 位于：

```
D:\IdeaProjects\chat-bot\target\yu-ai-agent-0.0.1-SNAPSHOT.jar
```

> `application.yml` 已被 `.gitignore` 排除，但 jar 中会包含本地 yml。打包前请确认 yml 中数据库地址已改为生产地址（见第 7 节），或使用外部配置覆盖（推荐）。

### 6.2 方式 B：在 Linux 服务器上打包

```bash
# 安装 JDK 17 与 Maven
# Ubuntu
sudo apt install -y openjdk-17-jdk maven
# CentOS
sudo yum install -y java-17-openjdk-devel maven

# 验证
java -version
mvn -version

# 上传源码或 git clone 后，在项目根目录执行
mvn clean package -DskipTests
# jar 同样生成在 target/ 目录
```

### 6.3 上传 jar 到服务器

```bash
# 在本机 Windows 执行（scp 或使用 WinSCP / FinalShell 等工具）
scp target/yu-ai-agent-0.0.1-SNAPSHOT.jar user@服务器IP:/opt/support-bot/app/
```

---

## 7. 上传与生产配置

### 7.1 安装 JDK 17（运行 jar 必需）

```bash
# Ubuntu / Debian
sudo apt install -y openjdk-17-jre-headless

# CentOS / RHEL
sudo yum install -y java-17-openjdk-headless

# 验证
java -version
```

### 7.2 准备外部配置文件（推荐，避免改 jar）

在服务器上创建生产配置，覆盖 jar 内的默认 yml。Spring Boot 启动时同目录下的 `application.yml` 会自动覆盖 jar 内配置。

```bash
sudo tee /opt/support-bot/app/application.yml <<'EOF'
# ==================== 服务端口 ====================
server:
  port: 9090

spring:
  ai:
    dashscope:
      # 关闭 DashScope 自动配置（本项目所有模型由 Factory 按 DB 活跃配置手动构建）
      enabled: false
      # 仅用于首次启动写入种子默认值；可留空，真正生效的 Key 在前端页面配置
      api-key:

  # ==================== 数据源配置（PostgreSQL + PGVector） ====================
  datasource:
    driver-class-name: org.postgresql.Driver
    # 指向本机 Docker 部署的 PostgreSQL
    url: jdbc:postgresql://127.0.0.1:5432/support_bot
    username: postgres
    password: supportbot123
    hikari:
      maximum-pool-size: 10
      minimum-idle: 5
      idle-timeout: 300000
      connection-timeout: 20000

  sql:
    init:
      mode: never
      schema-locations: classpath:support-bot.sql
      continue-on-error: true
  servlet:
    multipart:
      max-file-size: 50MB
      max-request-size: 50MB

# ==================== MyBatis Plus 配置 ====================
mybatis-plus:
  type-aliases-package: com.wok.supportbot.entity
  mapper-locations: classpath*:mapper/**/*.xml
  configuration:
    log-impl: org.apache.ibatis.logging.stdout.StdOutImpl
    map-underscore-to-camel-case: true
  global-config:
    db-config:
      logic-delete-field: isDelete
      logic-delete-value: true
      logic-not-delete-value: false
      id-type: assign_id

# ==================== 知识库文档处理配置 ====================
knowledge:
  chunk:
    chunk-size: 200
    overlap: 100
    min-chunk-size-chars: 10
    max-num-chunks: 5000
    keep-separator: true
  vector:
    # 向量维度，需与 Embedding 模型输出维度一致
    # 千问 text-embedding-v2: 1024 | 豆包 doubao-embedding-text-240515: 2048
    dimension: 1024
  role:
    strict-isolation: false

# ==================== Knife4j API 文档配置 ====================
springdoc:
  swagger-ui:
    path: /swagger-ui.html
    tags-sorter: alpha
    operations-sorter: alpha
  api-docs:
    path: /v3/api-docs
  group-configs:
    - group: default
      paths-to-match: /**
      packages-to-scan: com.wok.supportbot.controller

knife4j:
  enable: true
  setting:
    language: zh_cn
    swagger-model-name: 实体类列表

logging:
  level:
    root: INFO
    com.wok.supportbot: DEBUG
    org.springframework.ai: INFO
  pattern:
    console: "%d{yyyy-MM-dd HH:mm:ss} [%thread] %-5level %logger{36} - %msg%n"
  file:
    name: /opt/support-bot/logs/support-bot.log
EOF
```

> **关键修改点**
> - `datasource.url` 改为 `127.0.0.1:5432`（指向本机 Docker 容器）。
> - `datasource.password` 与 docker-compose 中保持一致。
> - `logging.file.name` 输出日志到宿主机目录。
> - 生产环境建议将 `com.wok.supportbot` 日志级别从 `DEBUG` 调为 `INFO`。

### 7.3 目录结构最终如下

```
/opt/support-bot/
├── docker-compose.yml      # 数据库编排
├── data/                   # PG 数据持久化
├── logs/                   # 应用日志
└── app/
    ├── yu-ai-agent-0.0.1-SNAPSHOT.jar
    └── application.yml     # 外部配置（覆盖 jar 内默认值）
```

---

## 8. 启动后端服务

### 8.1 手动前台启动（首次验证用）

```bash
cd /opt/support-bot/app
java -jar yu-ai-agent-0.0.1-SNAPSHOT.jar
```

观察启动日志，应看到：

```
数据库初始化完成
... Tomcat started on port  9090 ...
... Started SupportBotApplication in x.xxx seconds ...
```

启动成功后业务表会自动创建，可用以下命令核对：

```bash
sudo docker exec -it support-bot-postgres psql -U postgres -d support_bot -c "\dt"
```

应能看到 `chat_message`、`knowledge_category`、`knowledge_document`、`ai_model_config`、`vector_store`、`customer_service_role`、`customer_account`、`conversation_session` 等表。

### 8.2 后台启动（生产用）

```bash
cd /opt/support-bot/app
nohup java -jar yu-ai-agent-0.0.1-SNAPSHOT.jar \
  --spring.config.additional-location=optional:file:./ \
  > /opt/support-bot/logs/startup.out 2>&1 &

# 查看进程
ps -ef | grep yu-ai-agent

# 查看日志
tail -f /opt/support-bot/logs/startup.out
```

### 8.3 访问验证

| 地址 | 说明 |
|------|------|
| `http://服务器IP:9090/index.html` | 前端管理页面 |
| `http://服务器IP:9090/doc.html` | Knife4j 接口文档 |

能打开管理页面即部署成功。AI 对话功能需先配置模型（下一步）。

---

## 9. 配置 AI 大模型（必做）

由于 `application.yml` 中 `api-key` 留空，首次启动时 `ai_model_config` 表会写入**空 Key 的默认配置**。调用 AI 功能前必须在前端填入真实 Key。

### 9.1 进入配置页面

打开 `http://服务器IP:9090/index.html` → 进入「**AI 大模型配置管理**」页面。

### 9.2 配置各应用类型

为以下 4 类应用分别填入 API Key 并激活（同一 App 类型仅一个激活）：

| App 类型 | 用途 | 默认模型 |
|----------|------|----------|
| CHAT | 主对话 | qwen-turbo |
| PRODUCT_EXTRACT | 结构化数据提取 | qwen-turbo |
| EMBEDDING | 知识库向量化 | text-embedding-v2 |
| RAG_REWRITE | RAG 查询重写 | qwen-turbo |

### 9.3 通义千问（DashScope）配置示例

- **提供商**：dashscope
- **API Key**：在 [DashScope 控制台](https://dashscope.console.aliyun.com/) 获取，格式 `sk-xxxx`
- **Base URL**：留空（DashScope 内置）
- **EMBEDDING 类型**需在「向量维度」填 `1024`（与 `knowledge.vector.dimension` 一致）

> 配置后**热切换生效，无需重启**。若切换非 1024 维的 Embedding 模型，需修改 `application.yml` 的 `knowledge.vector.dimension` 并重建 `vector_store` 表（见运维章节）。

### 9.4 其他提供商（可选）

支持 OpenAI 兼容提供商：DeepSeek / 豆包 / Kimi / 智谱 / OpenAI。在配置页选择对应 provider，填入 `base_url` 与 `api_key` 即可。

---

## 10. 开机自启：systemd 服务

### 10.1 创建服务文件

```bash
sudo tee /etc/systemd/system/support-bot.service <<'EOF'
[Unit]
Description=AI Support Bot Spring Boot Service
After=network.target docker.service
Requires=docker.service

[Service]
Type=simple
User=root
WorkingDirectory=/opt/support-bot/app
ExecStart=/usr/bin/java -jar /opt/support-bot/app/yu-ai-agent-0.0.1-SNAPSHOT.jar --spring.config.additional-location=optional:file:./
SuccessExitStatus=143
Restart=on-failure
RestartSec=10
StandardOutput=append:/opt/support-bot/logs/support-bot.log
StandardError=append:/opt/support-bot/logs/support-bot.log

[Install]
WantedBy=multi-user.target
EOF
```

### 10.2 启用服务

```bash
# 重载 systemd
sudo systemctl daemon-reload

# 设置开机自启
sudo systemctl enable support-bot

# 启动 / 停止 / 重启 / 状态
sudo systemctl start support-bot
sudo systemctl status support-bot
sudo systemctl restart support-bot
sudo systemctl stop support-bot

# 查看实时日志
sudo journalctl -u support-bot -f
```

> 数据库容器已设置 `restart: always`，服务器重启后会自动拉起数据库，再由 systemd 拉起后端服务（`Requires=docker.service` 保证顺序）。

---

## 11. Nginx 反向代理（可选）

如需用 80 端口访问或加 HTTPS，可安装 Nginx 反向代理到 9090。

```bash
# Ubuntu
sudo apt install -y nginx

sudo tee /etc/nginx/conf.d/support-bot.conf <<'EOF'
server {
    listen 80;
    server_name your-domain.com;   # 改为域名或 IP

    client_max_body_size 50m;      # 与后端上传限制一致

    location / {
        proxy_pass http://127.0.0.1:9090;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;

        # SSE 流式响应必需
        proxy_buffering off;
        proxy_cache off;
        proxy_read_timeout 300s;
        proxy_http_version 1.1;
    }
}
EOF

sudo nginx -t && sudo systemctl reload nginx
```

> SSE 流式接口（AI 对话）必须设置 `proxy_buffering off`，否则流式输出会被缓冲导致卡顿。

---

## 12. 日常运维与排错

### 12.1 常用命令速查

```bash
# —— 数据库 ——
sudo docker compose -f /opt/support-bot/docker-compose.yml ps       # 状态
sudo docker compose -f /opt/support-bot/docker-compose.yml restart  # 重启
sudo docker exec -it support-bot-postgres psql -U postgres -d support_bot  # 进入 psql

# —— 应用 ——
sudo systemctl status support-bot          # 服务状态
sudo systemctl restart support-bot         # 重启
sudo journalctl -u support-bot -f          # 实时日志
tail -f /opt/support-bot/logs/support-bot.log

# —— 防火墙 ——
sudo firewall-cmd --list-ports             # CentOS 查看开放端口
sudo ufw status                            # Ubuntu 查看状态
```

### 12.2 数据库备份与恢复

```bash
# 备份（含数据）
sudo docker exec support-bot-postgres \
  pg_dump -U postgres support_bot > /opt/support-bot/backup_$(date +%F).sql

# 恢复
sudo docker exec -i support-bot-postgres \
  psql -U postgres -d support_bot < /opt/support-bot/backup_2026-06-27.sql
```

建议加入 crontab 定时备份：

```bash
# 每天凌晨 3 点备份，保留 30 天
echo "0 3 * * * docker exec support-bot-postgres pg_dump -U postgres support_bot > /opt/support-bot/backup_\$(date +\%F).sql && find /opt/support-bot -name 'backup_*.sql' -mtime +30 -delete" | sudo tee /etc/cron.d/support-bot-backup
```

### 12.3 切换 Embedding 模型 / 重建向量表

若更换非 1024 维的 Embedding 模型：

```bash
# 1. 修改 application.yml 中 knowledge.vector.dimension
# 2. 删除并重建 vector_store 表
sudo docker exec -it support-bot-postgres psql -U postgres -d support_bot -c "DROP TABLE IF EXISTS vector_store CASCADE;"
# 3. 重启服务（启动时自动按新维度重建表）
sudo systemctl restart support-bot
# 4. 重新上传知识库文档（重新向量化）
```

### 12.4 常见问题

| 现象 | 原因与解决 |
|------|------------|
| 启动报 `Connection refused 127.0.0.1:5432` | 数据库容器未启动，执行 `docker compose up -d` |
| 启动报 `extension "vector" does not exist` | 未启用 PGVector 扩展，执行第 4.3 节 `CREATE EXTENSION vector` |
| 启动成功但 AI 对话报错 | `ai_model_config` 中 API Key 为空，去前端「AI 大模型配置管理」填入并激活 |
| 上传文档失败 / 向量化报错 | EMBEDDING 配置缺失或维度不匹配；核对维度与 `knowledge.vector.dimension` 一致 |
| SSE 对话卡顿不输出 | 经 Nginx 时未关 `proxy_buffering`，见第 11 节 |
| 前端页面 404 | 访问路径应为 `/index.html`（不带也行，但确认端口 9090 已放行） |
| 雪花 ID 前端精度丢失 | 已由 `@JsonSerialize(ToStringSerializer.class)` 处理，无需额外操作 |

### 12.5 升级应用

```bash
# 1. 上传新 jar 覆盖旧 jar
# 2. 重启服务
sudo systemctl restart support-bot
```

---

## 13. 附：一键部署脚本

将以下脚本保存为 `/opt/support-bot/deploy.sh`，可一键完成数据库部署 + 应用启动。

```bash
#!/bin/bash
# AI 智能客服系统 一键部署脚本
set -e

APP_DIR=/opt/support-bot
JAR_NAME=yu-ai-agent-0.0.1-SNAPSHOT.jar
DB_PASS=${DB_PASS:-supportbot123}

echo "===== 1. 创建目录 ====="
sudo mkdir -p $APP_DIR/{db,data,app,logs}

echo "===== 2. 生成 docker-compose.yml ====="
sudo tee $APP_DIR/docker-compose.yml <<EOF
version: "3.8"
services:
  postgres:
    image: pgvector/pgvector:pg16
    container_name: support-bot-postgres
    restart: always
    ports: ["5432:5432"]
    environment:
      POSTGRES_USER: postgres
      POSTGRES_PASSWORD: $DB_PASS
      POSTGRES_DB: support_bot
      TZ: Asia/Shanghai
    volumes:
      - $APP_DIR/data:/var/lib/postgresql/data
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U postgres -d support_bot"]
      interval: 10s
      timeout: 5s
      retries: 5
EOF

echo "===== 3. 启动数据库 ====="
sudo docker compose -f $APP_DIR/docker-compose.yml up -d
sleep 10

echo "===== 4. 启用 vector 扩展 ====="
sudo docker exec support-bot-postgres psql -U postgres -d support_bot -c "CREATE EXTENSION IF NOT EXISTS vector;"

echo "===== 5. 检查 jar 包 ====="
if [ ! -f $APP_DIR/app/$JAR_NAME ]; then
  echo "❌ 未找到 $APP_DIR/app/$JAR_NAME，请先上传 jar 包！"
  exit 1
fi

echo "===== 6. 创建 systemd 服务 ====="
sudo tee /etc/systemd/system/support-bot.service <<EOF
[Unit]
Description=AI Support Bot Spring Boot Service
After=network.target docker.service
Requires=docker.service
[Service]
Type=simple
User=root
WorkingDirectory=$APP_DIR/app
ExecStart=/usr/bin/java -jar $APP_DIR/app/$JAR_NAME --spring.config.additional-location=optional:file:./
SuccessExitStatus=143
Restart=on-failure
RestartSec=10
StandardOutput=append:$APP_DIR/logs/support-bot.log
StandardError=append:$APP_DIR/logs/support-bot.log
[Install]
WantedBy=multi-user.target
EOF

sudo systemctl daemon-reload
sudo systemctl enable support-bot
sudo systemctl restart support-bot

echo "===== 部署完成 ====="
echo "前端页面: http://$(hostname -I | awk '{print $1}'):9090/index.html"
echo "接口文档: http://$(hostname -I | awk '{print $1}'):9090/doc.html"
echo "日志: tail -f $APP_DIR/logs/support-bot.log"
echo "请前往「AI 大模型配置管理」页面填入 API Key 后再使用 AI 功能。"
EOF
```

使用方式：

```bash
chmod +x /opt/support-bot/deploy.sh
# 上传 jar 到 /opt/support-bot/app/ 后执行
sudo DB_PASS=your_strong_password /opt/support-bot/deploy.sh
```

---

## 部署 Checklist

- [ ] Docker 与 Docker Compose 已安装，镜像加速已配置
- [ ] PostgreSQL + PGVector 容器启动且 `vector` 扩展已启用
- [ ] JDK 17 已安装
- [ ] jar 包已上传至 `/opt/support-bot/app/`
- [ ] 外部 `application.yml` 已配置（数据库地址、密码、日志路径）
- [ ] 服务启动成功，业务表自动创建
- [ ] 防火墙 / 安全组放行 9090 端口
- [ ] 前端「AI 大模型配置管理」中 4 类应用已填入 API Key 并激活
- [ ] 已上传知识库文档并验证 RAG 对话
- [ ] systemd 服务已设置开机自启
- [ ] 数据库定时备份已配置

---

*本教程基于项目当前代码状态（Spring Boot 3.4.4 / Java 17 / Spring AI 1.0.1 / PGVector）编写。*