本地 RAG 知识库

14 KiB

Raw Blame History

CLAUDE.md

This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.

项目概述

AI 智能客服系统，基于 Spring AI Alibaba + 通义千问 + PGVector，支持 RAG 知识库检索、多轮对话、结构化数据提取、知识库全生命周期管理。

构建与运行

# 编译
./mvnw compile

# 运行（端口 9090）
./mvnw spring-boot:run

# 运行测试
./mvnw test

# 运行单个测试类
./mvnw test -Dtest=SupportBotApplicationTests

# 运行单个测试方法
./mvnw test -Dtest=SupportBotApplicationTests#testRag

前提条件: PostgreSQL 12+ 需运行且安装 PGVector 扩展，数据库 support_bot 需存在。knowledge_category、knowledge_document、ai_model_config 等表由 DatabaseInitConfig 自动创建，无需手动建表。

测试说明: 所有测试均为集成测试（@SpringBootTest），需要运行中的 PostgreSQL 和有效的 DashScope API Key。测试类：SupportBotApplicationTests（对话/RAG）、PgVectorVectorStoreConfigTest（向量存储）、QueryTransformerTests（查询重写策略）。无单元测试。

访问地址: 前端管理页面 http://localhost:9090/index.html，API 文档 http://localhost:9090/doc.html（Knife4j）

核心架构决策

主启动类排除了 PgVectorStoreAutoConfiguration

SupportBotApplication.java 中 @SpringBootApplication(exclude = PgVectorStoreAutoConfiguration.class)，因为项目在 PgVectorStoreConfig 中手动配置 PgVectorStore Bean（标记 @Primary），不使用自动配置。另有一个 InMemoryVectorStoreConfig 作为开发备选。

Spring AI 集成模式

ChatClient Builder: 所有对话通过 ChatClient.builder(chatModelFactory.getChatModel("CHAT")) 构建，ChatModel 由 ChatModelFactory 按 DB 活跃配置动态创建
Advisor 链: MessageChatMemoryAdvisor(记忆) → MyLoggerAdvisor(日志) → QuestionAnswerAdvisor(RAG)
SSE 流式: 三种实现 — Flux<String>、Flux<ServerSentEvent>、SseEmitter

ChatMemory 持久化

当前使用 DatabaseChatMemory（PostgreSQL 持久化），FileBasedChatMemory（Kryo 序列化）已注释掉。

RAG 双模式

QuestionAnswerAdvisor 模式（生产使用）: 预检索优化 + QuestionAnswerAdvisor
RetrievalAugmentationAdvisor 模式（实验性）: doChatWithRagEnhance() 中 queryTransformers 和 multiQueryExpander 未生效

文档处理管道

DocumentService.uploadDocument() 统一流程：文档提取 → MyTokenTextSplitter 分块 → MyKeywordEnricher AI 关键词提取 → pgVectorVectorStore.add() 向量化存储。每个分块的 metadata 中注入 documentId、chunkIndex、sourceName、title 以关联 knowledge_document 表。

预检索查询优化

四种策略在 rag/preretrieval/ 下，由 AssistantApp.doChatWithRagStrategy() 根据 strategy 参数动态选择：REWRITE / TRANSLATION / COMPRESSION / MULTI_QUERY。另存在 Bean 配置版本（QueryTransformerConfig、QueryExpanderConfig），但实际使用自定义 Rewriter 组件。

关键配置

application.yml 含 DashScope API Key，已被 .gitignore 排除
模型名称、温度、最大 Token 等参数已全部迁移到前端「AI 大模型配置管理」页面，通过 ai_model_config 表管理，不再在 yml 中配置（yml 仅保留 api-key）
MyBatis Plus 逻辑删除字段: isDelete，主键策略: assign_id(雪花算法)
雪花 ID 精度问题: KnowledgeDocument.id、categoryId 和 KnowledgeCategory.id、parentId 已添加 @JsonSerialize(using = ToStringSerializer.class)，序列化为字符串避免前端 JS 精度丢失。新增 Long ID 字段时务必加上此注解
PostgreSQL JSONB 字段使用自定义 PostgresJsonTypeHandler（期望 JSON 对象 '{}'，非数组 '[]'）
向量维度: 由 knowledge.vector.dimension 配置（默认 1024）。修改后需执行 DROP TABLE IF EXISTS vector_store CASCADE 重建向量表，并重新上传知识库文档。距离类型: COSINE_DISTANCE，索引: HNSW
分块配置: knowledge.chunk.* 配置项（ChunkConfig），默认 chunkSize=200, overlap=100, minChunkSizeChars=10, maxNumChunks=5000, keepSeparator=true
上传校验: ALLOWED_EXTENSIONS 白名单 + 50MB 大小限制（spring.servlet.multipart 配置），前后端双重校验
文档去重: KnowledgeDocument.contentHash 字段（SHA-256），上传时自动计算并查重
数据库自动初始化: DatabaseInitConfig 在启动时检查并创建 knowledge_category/knowledge_document/ai_model_config 等表，对已存在的 knowledge_document 表会自动补加 content_hash 列。注意 knowledge-base.sql 脚本为早期版本，缺少此列，实际以 DatabaseInitConfig 为准

模型配置管理

ai_model_config 表: 存储大模型配置，支持多套配置按 App 类型（CHAT / EMBEDDING / RAG_REWRITE）独立管理。所有模型参数（名称、温度、最大Token、API Key、Base URL 等）全部由此表管理，不再依赖 application.yml
激活互斥: 同一 App 类型只能有一个 is_active=true 的配置，激活操作由 Service 层 @Transactional 保证
启动 seed: 首次启动时使用硬编码默认值写入 DB（qwen-turbo / text-embedding-v2），用户可在前端修改。DashScope 自动配置已禁用（spring.ai.dashscope.enabled=false），api-key 可选——yml 与 DB 均未配置 api-key 不影响启动，实际调用 AI 功能前在前端「AI 大模型配置管理」页面配置即可
启动校验: ModelConfigLoader 在应用就绪后检查 DB 中每种 App 类型是否有活跃配置，并对 DashScope 提供商比较 DB 与 yml 的 API Key 一致性
API Key 脱敏: 前端展示时只显示前 4 位 + **** + 后 4 位
ChatModel 运行时切换: 通过 ChatModelFactory 按 DB 活跃配置动态创建/缓存 ChatModel（包括 DashScope，不再复用 yml 自动配置的 Bean），配置变更时立即生效（无需重启）。OpenAI 兼容路径使用自定义 completionsPath（与 EmbeddingModelFactory 的 embeddingsPath 对应），baseUrl 已含版本段的厂商（moonshot /v1、volcengine /api/v3、zhipu /api/paas/v4）设为 /chat/completions，其余使用默认 /v1/chat/completions
EmbeddingModel 运行时切换: 通过 EmbeddingModelFactory + DynamicEmbeddingModel 代理，按 DB 活跃配置动态创建/缓存 EmbeddingModel，PgVectorStoreConfig 和 InMemoryVectorStoreConfig 注入 DynamicEmbeddingModel，向量化模型配置变更后无需重启即可生效
多提供商支持: DashScope（通义千问）+ OpenAI 兼容提供商（DeepSeek / 豆包 / Kimi / 智谱 / OpenAI），ChatModel 和 EmbeddingModel 均通过对应 API 手动构建
缓存刷新: 配置增删改激活时 Controller 自动调用 ChatModelFactory.clearCache() + EmbeddingModelFactory.clearCache() + AssistantApp.clearCache()

依赖版本

Spring AI BOM: 1.0.1，统一管理所有 org.springframework.ai 依赖版本
spring-ai-alibaba-starter-dashscope: 1.0.0.4（新版 starter，替代老版 spring-ai-alibaba-starter M6.1）
spring-ai-openai: BOM 管理（OpenAI 兼容提供商支持）
spring-ai-alibaba-starter (M6.1) 已移除，不再使用

EmbeddingModel 架构

EmbeddingConfigFixer：ApplicationListener<ApplicationReadyEvent>，启动时检查 EMBEDDING 配置合理性、校验 EmbeddingModel 实际维度与配置维度是否一致，不一致时 WARN 告警并给出修复步骤。不再强制修正非 DashScope 配置，尊重用户在 DB 中配置的提供商和模型

EmbeddingModelFactory：按 DB 活跃配置动态创建/缓存 EmbeddingModel，支持多种提供商：

DashScope（通义千问）：DashScopeEmbeddingModel
OpenAI 兼容提供商（DeepSeek / Kimi / 智谱 / OpenAI）：通过 OpenAiEmbeddingModel + 自定义 baseUrl + embeddingsPath 创建
豆包文本模型（volcengine + 非 vision）：通过 OpenAiEmbeddingModel，embeddingsPath=/embeddings
豆包多模态模型（volcengine + *vision*）：通过 VolcengineMultimodalEmbeddingModel，手写 RestClient 直调 /embeddings/multimodal，适配 {type, text} 格式

各厂商 embeddingsPath 映射：

提供商	embeddingsPath	实现类
dashscope	—	DashScopeEmbeddingModel
volcengine (vision)	`/embeddings/multimodal`	VolcengineMultimodalEmbeddingModel
volcengine (text)	`/embeddings`	OpenAiEmbeddingModel
moonshot	`/embeddings`	OpenAiEmbeddingModel
zhipu	`/embeddings`	OpenAiEmbeddingModel
deepseek	`/v1/embeddings`	OpenAiEmbeddingModel
openai	`/v1/embeddings`	OpenAiEmbeddingModel

注意：各提供商的 embedding 端点兼容性由用户自行验证，向量维度需与 PgVectorStore 的 dimensions 一致

DynamicEmbeddingModel：代理类实现 EmbeddingModel 接口，每次调用委托给 Factory，使 VectorStore 无需重建即可热切换
前端：ModelConfigManager.js 对 EMBEDDING 类型不再限制 provider，可自由选择任意提供商；EMBEDDING 类型弹窗增加「向量维度」输入框（写入 extraConfig.dimensions）

前端架构

技术栈: Vue 3 CDN + ES Module（importmap 引入，无构建工具）
入口: src/main/resources/static/index.html → js/app.js
组件化: 每个功能模块一个 JS 文件（components/ 目录），导出 Vue 组件定义对象
状态管理: js/store.js 使用 Vue 3 reactive，跨组件共享分类、统计、弹窗状态
API 封装: js/api.js 统一封装所有后端调用，API 基址为空字符串（同源部署）
SSE 流式: js/utils.js 中 readSSEStream() 统一处理三种 SSE 接口
添加新功能: 在 components/ 下新建 JS 组件文件，在 app.js 中导入注册即可

API 路由约定

AI 对话: /ai/*（AiController）
模型配置: /model-config/*（AiModelConfigController）
文档上传: /upload/*（DocumentController）
文档管理: /document/*（DocumentController）
批量操作: /document/batch/*（DocumentController，用 POST 避免 DELETE+RequestBody 路径冲突）
分类管理: /category/*（DocumentController）
消息反馈: /feedback/*（MessageFeedbackController）
敏感词管理: /sensitive-word/*（SensitiveWordController）
FAQ 管理: /faq/*（FaqController）

P0 阶段新增功能

内容安全过滤（P0-004）

DFA 引擎: ContentSafetyService 使用字典树匹配敏感词，volatile + copy-on-write 保证线程安全热加载
ContentSafetyAdvisor: 实现 BaseAdvisor，getOrder() 返回 HIGHEST_PRECEDENCE（Advisor 链最外层），before 阶段检查用户输入、after 阶段检查 AI 输出
敏感词级别: level=1 仅脱敏（MASK），level=2 拦截（BLOCK）返回安全提示
审计日志: content_audit_log 表记录所有违规事件，不删除
前端: SensitiveWordManager.js 在系统设置 Tab，支持 CRUD + 批量导入 + 审计日志查看

用户反馈系统（P0-002）

反馈实体: MessageFeedback，按 message_id 唯一索引，重复提交覆盖（upsert 语义）
反馈类型: THUMBS_UP（有帮助）/ THUMBS_DOWN（没帮助），点踩可选原因分类 + 自由文本
ChatPanel: 每条 AI 回复下方有 👍/👎 按钮，点击调用 POST /feedback
Chat SDK: handleFeedback() 已连接后端 API，同时保留 localStorage 作为乐观 UI 缓存
会话导出: ConversationService.exportConversation() 导出的 TXT 中包含反馈信息

意图识别 + FAQ 精准匹配（P0-003）

IntentRouter: LLM 单次调用做意图分类（FAQ/RAG/CHITCHAT），解析失败降级为 RAG
FaqMatchEngine: 三级匹配策略 — 精确匹配 → 关键词匹配 → 向量语义匹配（阈值 knowledge.faq.semantic-threshold，默认 0.85）
FAQ 向量化: 复用现有 DynamicEmbeddingModel，向量存入 faq_embedding 表，新增/修改 FAQ 时异步计算
similar_questions 字段: 使用 String 类型存储 JSON 数组字符串（PostgresJsonTypeHandler 期望对象格式，故不用 typeHandler）
前端: FaqManager.js 在知识库文档管理 Tab，支持 CRUD + 批量 JSON 导入/导出 + 启用/禁用

混合检索 + 重排序引擎（P0-001）

SearchMode: 枚举 VECTOR（默认）/ KEYWORD / HYBRID，向后兼容
HybridSearchService: 多模式检索核心，KEYWORD 使用 PostgreSQL tsvector 全文检索，HYBRID 使用双路检索 + RRF 融合
RrfFusion: RRF 融合算法 score = Σ 1/(k + rank_i)，k=60
RerankerService: 支持 DashScope + OpenAI 兼容提供商，通过 ai_model_config 表 RERANK 类型配置，超时 3s 自动 fallback
vector_store 全文检索: 新增 content_tsvector 列 + GIN 索引 + PostgreSQL 触发器自动维护
前端: DocSearch.js 增加检索模式下拉选择（向量/关键词/混合），结果标注来源模式

已知 TODO

AssistantApp.doChatWithRagEnhance(): queryTransformers 未生效
DocumentService.updateDocumentMetadata(): Spring AI 无直接更新 vector_store metadata 的 API，向量元数据同步留后续
DocumentService.searchDocuments(): Spring AI 1.0.1 的 filter 支持有限，分类过滤暂未实现
CompressionQueryRewriter: 当前传入空历史列表
MyBatis Plus 3.5.12 的 mybatis-plus-spring-boot3-starter 不含 PaginationInnerInterceptor，分页通过 SQL LIMIT/OFFSET 手动实现
PgVectorStoreConfig.dimensions(1024) 硬编码了向量维度，切换非 1024 维的 Embedding 模型时需修改并重建 vector_store 表 → 已修复：维度由 knowledge.vector.dimension 配置，启动时自动检测不匹配并告警

14 KiB Raw Blame History