# spring-ai-study

**Repository Path**: kun_gege/spring-ai-study

## Basic Information

- **Project Name**: spring-ai-study
- **Description**: 🚀 基于 Spring AI + Spring Boot 3 的多模型 AI 对话框架，支持 DeepSeek、ChatGPT、通义千问等大语言模型动态切换。采用策略模式设计，数据库配置管理，易于扩展。适用于智能客服、RAG 知识库、内容创作等场景。

关键词：Spring AI, DeepSeek, ChatGPT, LLM, 大语言模型, AI对话, 策略模式, RAG
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 1
- **Created**: 2026-05-09
- **Last Updated**: 2026-06-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: SpringBoot, SpringAI

## README

# Spring AI 多模型管理框架 | RAG · Agent · 智能记忆 · 动态切换

> 🚀 基于 Spring AI + Spring Boot 3 的企业级 AI 模型管理框架，支持 DeepSeek、通义千问(DashScope)、智谱AI、Gitee AI 等多种大语言模型动态切换与热插拔，内置 RAG 知识库问答、ReAct Agent 智能体、Workflow 工作流和三层融合记忆系统

简体中文 | [English](./README.en.md)

## 📑 目录

- [项目简介](#-项目简介)
- [技术栈](#️-技术栈)
- [模块结构](#-模块结构)
- [核心功能](#-核心功能)
- [快速开始](#-快速开始)
- [架构设计](#️-架构设计)
- [项目特色](#-项目特色)
- [常见问题](#-常见问题)
- [贡献指南](#-贡献指南)

---

<div align="center">

**Spring AI** · **DeepSeek** · **通义千问** · **DashScope** · **智谱AI** · **大语言模型LLM** · **策略模式** · **动态配置** · **RAG** · **向量数据库** · **ReAct Agent**

[![Spring Boot](https://img.shields.io/badge/Spring%20Boot-3.5.14-green.svg)](https://spring.io/projects/spring-boot)
[![Spring AI](https://img.shields.io/badge/Spring%20AI-1.1.6-blue.svg)](https://spring.io/projects/spring-ai)
[![Spring AI Alibaba](https://img.shields.io/badge/Spring%20AI%20Alibaba-1.1.2.0-orange.svg)](https://github.com/alibaba/spring-ai-alibaba)
[![Java](https://img.shields.io/badge/Java-17+-orange.svg)](https://www.oracle.com/java/)
[![MyBatis-Plus](https://img.shields.io/badge/MyBatis--Plus-3.5.15-red.svg)](https://baomidou.com/)
[![License](https://img.shields.io/badge/License-MIT-yellow.svg)](LICENSE)

</div>

## 📖 项目简介

本项目是一个**企业级 AI 模型管理框架**，采用**策略模式 (Strategy Pattern)**设计，通过数据库配置动态管理多种 AI 模型（DeepSeek、阿里云通义千问 DashScope、智谱AI等），支持模型的**热插拔**和**无缝扩展**。项目基于 **Spring Boot 3.5.14** + **Spring AI 1.1.6** + **Spring AI Alibaba 1.1.2.0** 框架构建，结合 **MyBatis-Plus 3.5.15** 实现数据持久化，为开发者提供统一的 AI 能力接入方案。

**核心能力**:
- 💬 **多模型对话** - 支持 DeepSeek、通义千问、智谱AI等多种模型动态切换
- 🧠 **RAG 知识库** - 检索增强生成，支持文档向量化存储和语义搜索
- 🤖 **ReAct Agent** - 智能体框架，支持工具调用和多步推理
- 🔢 **向量 Embedding** - 文本向量化，支持语义相似度计算
- 🔄 **重排 Rerank** - 搜索结果重排序，提升检索质量
- 🎯 **Workflow 工作流** - 支持复杂任务编排和多Agent协作
- 💾 **智能记忆系统** - ✨ v1.2 三层融合记忆架构（短期滑动窗口 + LLM摘要 + 长期向量存储），支持智能合并
- 💻 **命令行问答** - 内置交互式命令行问答工具

**适用场景**: 智能客服系统、知识库问答 RAG、内容创作助手、语义搜索引擎、多语言翻译、企业 AI 中台、代码辅助、智能写作、智能 Agent 等。

---

## 🛠️ 技术栈

### 核心框架
- **Spring Boot 3.5.14** - 现代化 Java 应用框架
- **Spring AI 1.1.6** - Spring 官方 AI 集成框架
- **Spring AI Alibaba 1.1.2.0** - 阿里巴巴 Spring AI 扩展（通义千问支持）
- **MyBatis-Plus 3.5.15** - 增强版 ORM 框架

### 数据存储
- **MySQL 8.x** - 关系型数据库
- **PostgreSQL 12+** - 支持 pgvector 向量扩展
- **HikariCP** - 高性能连接池

### 开发工具
- **Lombok** - 简化 Java 代码
- **Hutool 5.8.40** - Java 工具类库
- **Maven** - 项目构建工具
- **JDK 17+** - Java 运行环境

### AI 模型支持
- **DeepSeek** - 深度求索大语言模型（已内置，支持 Chat）
- **阿里云通义千问** - DashScope Qwen 系列（已内置，支持 Chat、Embedding、Rerank）
- **智谱AI** - 智谱清言大语言模型（已内置，支持 Chat）
- **Gitee AI** - Gitee AI 平台（已内置，支持 Rerank）
- **其他兼容 OpenAI 格式的模型** - 可扩展支持

## 📦 模块结构

```
spring-ai-study/
├── spring-ai-study-main/          # 主应用模块（REST API + 前端页面）
│   ├── controller/                # AI对话、RAG、Agent、Workflow控制器
│   ├── config/                    # CORS等配置类
│   └── resources/static/          # stream-chat.html, workflow-demo.html
├── spring-ai-study-model/         # 核心模型模块（策略模式实现）
│   ├── model/                     # AiModel接口及各厂商实现
│   │   ├── deepseek/              # DeepSeek策略
│   │   ├── dashscope/             # 通义千问策略
│   │   ├── zhipu/                 # 智谱AI策略
│   │   └── gitee/                 # Gitee AI策略（含Rerank）
│   ├── agent/                     # ReAct Agent智能体实现
│   ├── manus/                     # Manus工作流编排
│   ├── advisor/                   # SelfRefine评估建议器
│   ├── entity/                    # AiModelConfig实体
│   ├── mapper/                    # MyBatis Mapper
│   └── service/                   # 模型配置服务
├── spring-ai-study-rag/           # RAG知识库模块
│   ├── RagService.java            # RAG核心服务（支持反思优化）
│   ├── tools/RagTool.java         # RAG检索工具
│   └── resources/prompts/         # 提示词模板
├── spring-ai-memory/              # 🧠 智能记忆模块（v1.2）
│   └── FusionChatMemory.java      # 三层融合记忆实现
├── spring-ai-study-common/        # 通用模块
│   ├── exception/                 # 业务异常类
│   ├── mybatis/                   # MyBatis配置和TypeHandler
│   └── util/ResponseResult.java   # 统一响应结果
├── ask-question/                  # 命令行问答模块
│   └── CommandLineQuestionHandler # 交互式问答工具
└── db/                            # 数据库脚本
    ├── mysql.sql                  # MySQL建表脚本
    └── postgresql.sql             # PostgreSQL+pgvector脚本
```

## 🎯 核心功能

### 1️⃣ 多模型统一接入

通过策略模式 `AiModel` 接口，支持扩展多种 AI 模型：

- 💬 **Chat 对话模型** - 支持智能对话交互、多轮会话、流式输出（DeepSeek、通义千问、智谱AI）
- 🔢 **Embedding 向量模型** - 支持文本向量化、语义搜索、RAG 应用（通义千问）
- 🎨 **Image 图像模型** - 支持文生图、图像编辑（可扩展）
- 🔄 **Rerank 重排模型** - 支持搜索结果重排序，提升检索质量（通义千问）

### 2️⃣ 动态配置管理

- ✅ AI 模型配置存储于数据库 `ai_model_config` 表
- ✅ 支持运行时动态调整模型参数（API Key、Base URL、超时时间等）
- ✅ 模型启用/禁用控制，支持灰度发布
- ✅ 配置热更新，无需重启服务
- ✅ 支持按类别（chat/embedding/image/rerank）查询可用模型

### 3️⃣ 统一的 AiModelClientStrategy 抽象

`AiModelClientStrategy` 提供统一的客户端构建入口，根据 modelId 自动从数据库查询配置并选择对应的策略实现，屏蔽不同模型提供商的 API 差异。支持以下方法：

- `chatClientBuilder(String modelId)` - 构建 ChatClient.Builder
- `getChatClient(String modelId)` - 获取 ChatClient 实例
- `getChatModel(String modelId)` - 获取 ChatModel 实例
- `embeddingModel(String modelId)` - 获取 EmbeddingModel 实例
- `rerankModel(String modelId)` - 获取 RerankModel 实例
- `getAvailableModelTypesByCategory(String category)` - 获取指定类别的所有可用模型类型

### 4️⃣ RAG 知识库问答（高级版）

`spring-ai-study-rag` 模块提供完整的 RAG 能力，支持反思优化机制：

- 📄 **文档解析** - 基于 Apache Tika 支持多种文档格式（PDF、Word、Excel、TXT等）
- 🔢 **向量化** - 使用 Embedding 模型将文档转换为向量
- 💾 **向量存储** - 支持 PostgreSQL pgvector 等向量数据库
- 🔍 **语义检索** - 基于向量相似度的智能搜索
- 🔄 **结果重排** - 使用 Rerank 模型对检索结果进行重排序
- 🧠 **质量评估** - 自动评估检索结果质量，触发反思优化
- 📝 **反思规划** - 根据评估结果重新规划检索策略，提升回答质量

**RAG 工作流程**:
1. 用户问题扩展为多个子问题
2. 向量化检索得到初步结果
3. 去重和重排序优化结果
4. 评估信息质量
5. 如质量不足，记录反思意见并重新规划检索

### 5️⃣ ReAct Agent 智能体（流式支持）

`spring-ai-study-model` 模块内置 ReAct Agent 框架，支持流式输出：

- 🤔 **思考 (Reasoning)** - 分析当前情况，决定下一步行动
- 🛠️ **执行 (Act)** - 调用工具执行具体操作
- 👀 **观察 (Observe)** - 观察工具执行结果，继续下一轮循环
- 🔧 **工具调用** - 支持自定义工具回调，扩展 Agent 能力
- 📝 **多步推理** - 支持设置最大步骤数，防止无限循环
- ⚡ **流式输出** - 支持 SSE 流式响应，实时展示 Agent 思考过程

### 6️⃣ 流式对话支持

项目提供完整的流式对话能力：

- 💬 **普通对话流式** - `/ai/chat/stream` 接口支持 SSE 流式输出
- 🤖 **Agent 流式** - `/agent/stream` 接口支持 Agent 思考过程实时展示
- 🌐 **前端示例** - 内置 `stream-chat.html` 提供完整的前端流式对话界面
- 🎯 **多 API 类型** - 支持切换普通对话和 Agent 模式

**流式对话优势**:
- ⚡ **实时响应** - 用户可立即看到 AI 的输出，无需等待完整响应
- 🎭 **更好的用户体验** - 类似 ChatGPT 的打字机效果
- 🔍 **透明思考** - Agent 模式下可实时查看思考和工具调用过程

### 7️⃣ Workflow 工作流编排

`spring-ai-study-model` 模块内置工作流编排能力：

- 🎯 **Manus 工作流** - 支持复杂任务的分解和执行
- 🤖 **多Agent协作** - PlanningAgent、SummaryAgent 等多角色协同
- 📋 **任务规划** - TaskPlan 和 TaskStep 实现结构化任务管理
- 🔄 **工作流编排器** - WorkflowOrchestrator 统一调度和管理
- 🌐 **REST API** - `/workflow` 接口提供工作流执行能力
- 🎨 **前端演示** - 内置 `workflow-demo.html` 提供可视化演示界面

**工作流应用场景**:
- 复杂任务分解与执行
- 多步骤数据处理流程
- 智能文档分析与总结
- 自动化业务流程编排

### 8️⃣ 命令行问答工具

`ask-question` 模块提供交互式命令行问答能力：

- 💻 **交互式问答** - 命令行界面实时与 AI 对话
- 🛠️ **AskUserQuestionTool** - 支持主动询问用户获取更多信息
- 📝 **CommandLineQuestionHandler** - 处理命令行输入和输出
- 🎯 **快速测试** - 便于开发和调试阶段快速验证功能

**使用方式**:
```bash
cd ask-question
mvn spring-boot:run
```

### 9️⃣ 🧠 智能记忆系统（v1.2）✨

`spring-ai-memory` 模块提供三层融合记忆架构，让 AI 真正记住用户：

#### 核心特性

- 💾 **短期滑动窗口** - 保留最近 N 条原始消息，保持对话细节
- 📝 **LLM 智能摘要** - 自动压缩历史对话为精炼摘要（≤300字），节省60%-80% Token
- 🔢 **长期向量存储** - 向量化存储核心事实，支持语义检索，永久保存不丢失
- ✨ **智能记忆合并** - v1.2 新增，检测到相似记忆时 LLM 智能合并，保留所有关键细节
- 🔄 **自动管理** - 无需手动干预，自动触发压缩、合并和归档
- 🎯 **语义召回** - 基于向量相似度的智能检索，精准召回相关历史

#### 记忆工作流程

```
1. 用户发送消息 → 存入短期滑动窗口
2. 当消息数超过阈值（默认10条）→ 触发 LLM 摘要压缩
3. 提取核心事实 → 检查是否与现有记忆相似
4. ✨ 如相似则智能合并 → 否则作为新记忆向量化存储
5. 读取时：长期记忆 + 摘要 + 近期消息，三层融合返回
```

#### 应用场景

- 👤 **个人助理** - 积累用户画像，记住姓名、职业、偏好等
- 🎧 **客服系统** - 完善用户信息，提升服务质量
- 📚 **教育平台** - 跟踪学习进度，个性化推荐
- 🤖 **智能 Agent** - 长期记忆支持复杂任务执行

📖 **详细文档**: [spring-ai-memory/README.md](spring-ai-memory/README.md)

---

## 🚀 快速开始

### 环境要求

- ☕ **JDK 17+** (推荐 JDK 21)
- 📦 **Maven 3.8+**
- 🗄️ **MySQL 8.x** 或 **PostgreSQL 12+**（推荐使用 PostgreSQL + pgvector 以支持向量数据库）
- 💻 **IDEA / VS Code** (推荐)

### 配置步骤

1. **创建数据库**

```sql
CREATE DATABASE spring_ai_study;
```

2. **导入表结构**

执行 `db/mysql.sql` 或 `db/postgresql.sql` 脚本创建所需的数据库表。

3. **修改数据库配置**

编辑 `spring-ai-study-main/src/main/resources/application.properties`：

```properties
# PostgreSQL 配置（推荐，支持 pgvector）
spring.datasource.driver-class-name=org.postgresql.Driver
spring.datasource.url=jdbc:postgresql://192.168.56.3:5432/kun?currentSchema=public
spring.datasource.username=kunadmin
spring.datasource.password=kunadmin

# 或使用 MySQL
# spring.datasource.driver-class-name=com.mysql.cj.jdbc.Driver
# spring.datasource.url=jdbc:mysql://127.0.0.1:3306/spring-ai-study?serverTimezone=Asia/Shanghai
# spring.datasource.username=root
# spring.datasource.password=root

# pgvector 向量数据库配置
spring.ai.vectorstore.pgvector.dimensions=768
spring.ai.vectorstore.pgvector.table-name=kun_ai_index
spring.ai.vectorstore.pgvector.schema-name=public
spring.ai.vectorstore.pgvector.initialize-schema=true
```

**注意**: 
- 项目默认使用 PostgreSQL + pgvector 作为向量数据库
- 如果使用 MySQL，需要注释掉 pgvector 相关配置
- 请根据实际环境修改数据库连接信息

4. **编译项目**

```bash
mvn clean install
```

5. **启动应用**

```bash
cd spring-ai-study-main
mvn spring-boot:run
```

6. **访问演示页面**

启动成功后，浏览器访问：
- 流式对话演示：http://localhost:8080/stream-chat.html
- 工作流演示：http://localhost:8080/workflow-demo.html

---

## 🏗️ 架构设计

### 设计模式

- **策略模式 (Strategy Pattern)** - 不同 AI 模型的实现策略（AiModel 接口）
- **工厂模式 (Factory Pattern)** - ChatClient/EmbeddingModel/RerankModel 的统一创建（AiModelClientStrategy）
- **构建者模式 (Builder Pattern)** - ReAct Agent 的灵活配置（CustomReActAgent.Builder）

### 核心类说明

#### AiModel 接口

实现此接口以添加新的 AI 模型支持：

```java
@Component
public class YourModelStrategy implements AiModel {
    
    @Override
    public String getModelType() {
        return "your-model-type"; // 返回模型类型标识
    }
    
    @Override
    public ChatModel createChatModel(AiModelConfig aiModelConfig) {
        // 实现创建 ChatModel 的逻辑
        // 从 aiModelConfig 获取 baseUrl, apiKey, defaultModel 等配置
        return null;
    }
    
    @Override
    public ChatClient.Builder createChatClient(AiModelConfig aiModelConfig) {
        // 可选：实现创建 ChatClient.Builder 的逻辑
        // 如果不支持，可以返回 null 或使用默认实现
        return AiModel.super.createChatClient(aiModelConfig);
    }
    
    @Override
    public EmbeddingModel createEmbeddingModel(AiModelConfig aiModelConfig) {
        // 可选：实现创建 EmbeddingModel 的逻辑
        // 如果不支持向量模型，可以返回 null 或使用默认实现
        return AiModel.super.createEmbeddingModel(aiModelConfig);
    }
    
    @Override
    public RerankModel createRerankModel(AiModelConfig aiModelConfig) {
        // 可选：实现创建 RerankModel 的逻辑
        return AiModel.super.createRerankModel(aiModelConfig);
    }
}
```

**关键点**:
- 必须添加 `@Component` 注解，让 Spring 自动扫描注册
- `getModelType()` 返回值需与数据库中 `model_type` 字段对应
- 从 `AiModelConfig` 对象获取所有配置信息（baseUrl, apiKey, defaultModel 等）
- 支持 Chat、Embedding、Rerank 三种模型类型的实现
- `createChatModel()` 是主要方法，返回 `ChatModel` 实例
- `createChatClient()` 是可选方法，返回 `ChatClient.Builder` 实例

#### AiModelClientStrategy 策略管理器

统一管理所有模型策略，提供便捷的客户端获取方法：

```java
@RestController
@RequiredArgsConstructor
public class AiController {
    
    private final AiModelClientStrategy aiModelClientStrategy;
    
    @PostMapping("/ai/chat")
    public ResponseResult<String> chat(@RequestBody AiRequest aiRequest) {
        // 根据 modelId 自动查询数据库配置并创建 ChatClient
        ChatClient chatClient = aiModelClientStrategy.chatClientBuilder(aiRequest.getModelId())
                .build();
        
        // 配置多轮对话记忆
        ChatMemory chatMemory = MessageWindowChatMemory.builder()
                .chatMemoryRepository(new InMemoryChatMemoryRepository())
                .maxMessages(20)
                .build();
        MessageChatMemoryAdvisor messageChatMemoryAdvisor = MessageChatMemoryAdvisor.builder(chatMemory).build();
        
        // 使用 chatClient 进行对话
        String content = chatClient.prompt()
                .user(aiRequest.getContent())
                .advisors(new SimpleLoggerAdvisor(), messageChatMemoryAdvisor)
                .call()
                .content();
        
        return ResponseResult.ok(content);
    }
}
```

**主要方法**:
- `chatClientBuilder(String modelId)` - 根据模型ID构建 ChatClient.Builder
- `getChatClient(String modelId)` - 直接获取 ChatClient 实例
- `getChatModel(String modelId)` - 直接获取 ChatModel 实例
- `embeddingModel(String modelId)` - 根据模型ID获取 EmbeddingModel 实例
- `rerankModel(String modelId)` - 根据模型ID获取 RerankModel 实例
- `getAvailableModelTypesByCategory(String category)` - 获取指定类别的所有可用模型类型

#### ReAct Agent 智能体

使用 ReAct Agent 实现工具调用和多步推理：

```java
// 创建 ReAct Agent
CustomReActAgent agent = CustomReActAgent.builder()
    .chatClient(chatClient)
    .toolCallbacks(weatherTool, searchTool)  // 注册工具
    .maxSteps(10)                             // 最大推理步骤
    .systemPrompt("你是一个智能助手，可以使用工具来回答问题")
    .build();

// 执行 Agent
String result = agent.execute("今天北京的天气怎么样？");
```

**工作流程**:
1. **思考 (Thinking)** - 分析问题,决定调用哪个工具
2. **执行 (Act)** - 调用工具获取结果
3. **观察 (Observe)** - 观察工具执行结果
4. **循环** - 重复上述步骤直到问题解决或达到最大步骤数

---

#### API 接口说明

项目提供以下 REST API 接口:

#### 对话接口

| 接口 | 方法 | 说明 |
|------|------|------|
| `/ai/chat` | POST | 普通对话接口 |
| `/ai/chat/stream` | GET | 流式对话接口(SSE) |
| `/agent/stream` | GET | Agent 流式接口(SSE) |

#### RAG 接口

| 接口 | 方法 | 说明 |
|------|------|------|
| `/rag/upload` | POST | 上传文档 |
| `/rag/search` | POST | 知识库检索 |

#### Workflow 接口

| 接口 | 方法 | 说明 |
|------|------|------|
| `/workflow` | POST | 执行工作流 |

---

## 📊 项目特色

| 特性 | 说明 |
|-----|------|
| 🔥 **生产就绪** | 完整的异常处理、日志记录、重试机制(RetryTemplate) |
| 🎨 **灵活扩展** | 新增模型只需实现 AiModel 接口,符合开闭原则 |
| ⚡ **高性能** | HikariCP 连接池、MyBatis-Plus 索引优化、支持异步处理 |
| 🔒 **安全可靠** | API Key 存储在数据库、支持动态更新 |
| 📱 **RESTful API** | 标准的 REST 接口设计,统一响应格式 |
| 💾 **双数据库支持** | 同时支持 MySQL 和 PostgreSQL(推荐 PostgreSQL + pgvector) |
| 🧠 **智能记忆系统** | ✨ v1.2 三层融合记忆架构,短期滑动窗口 + LLM摘要 + 长期向量存储,支持智能合并,节省60%-80% Token |
| 📚 **RAG 支持** | 内置文档解析、向量化、存储、检索和质量评估能力,支持反思优化 |
| 🤖 **Agent 能力** | 内置 ReAct Agent 框架,支持工具调用、多步推理和流式输出 |
| 🔢 **多模型类型** | 支持 Chat、Embedding、Image、Rerank 四种模型类型 |
| 🔄 **模型热切换** | 运行时动态切换模型,无需重启应用 |
| ⚡ **流式响应** | 支持 SSE 流式输出,提供实时对话体验 |
| 🎯 **工作流编排** | 内置 Manus 工作流、多Agent协作和任务规划能力 |
| 💻 **命令行工具** | 内置交互式问答工具,便于快速测试和调试 |

---

## 📝 常见问题

### Q: 如何添加新的 AI 模型？
A: 实现 `AiModel` 接口，添加 `@Component` 注解，在数据库 `ai_model_config` 表中配置模型信息即可，无需修改现有代码。参考 `DeepSeekAiModel`、`DashscopeAiModel` 或 `ZhiPuAiModel` 的实现。

### Q: 支持哪些 AI 模型？
A: 理论上支持所有提供 HTTP API 的 AI 模型。目前已内置 **DeepSeek**（对话模型）、**阿里云通义千问 DashScope**（对话模型 + 向量模型 + 重排模型）、**智谱AI**（对话模型）、**Gitee AI**（重排模型）支持，可轻松扩展其他主流大语言模型。

### Q: 适合什么场景使用？
A: 适合需要对接多个 AI 模型提供商的企业应用、智能客服系统、知识库问答 RAG、内容创作、代码辅助、智能写作、多语言翻译、企业 AI 中台、智能 Agent 等场景。

### Q: 性能如何？
A: 采用 HikariCP 连接池、MyBatis-Plus 索引优化、RetryTemplate 重试机制，单实例可支持数百 QPS，支持水平扩展。

### Q: 支持哪些数据库？
A: 同时支持 MySQL 8.x 和 PostgreSQL 12+，提供了相应的建表脚本（db/mysql.sql 和 db/postgresql.sql）。推荐使用 PostgreSQL + pgvector 以支持向量数据库功能。

### Q: 如何实现多轮对话？
A: 项目已内置 `MessageWindowChatMemory`，在 `AiController` 中自动配置了最多 20 条消息的记忆窗口，支持上下文关联的多轮对话。

### Q: 如何使用 RAG 功能？
A: `spring-ai-study-rag` 模块提供了 `RagService` 服务，支持文档解析、向量化、存储、检索和质量评估。需要配置 VectorStore（如 PostgreSQL pgvector）并使用 Embedding 模型进行向量化。RAG 服务支持反思优化机制，当检索质量不足时会自动重新规划检索策略。

### Q: 如何使用 ReAct Agent？
A: 使用 `CustomReActAgent.builder()` 构建 Agent，注册工具回调（ToolCallback），设置最大步骤数和系统提示词，然后调用 `execute()` 方法执行。参考 `CustomReActAgentTest.java` 测试用例。Agent 支持流式输出，可通过 `/agent/stream` 接口实时查看思考过程。

### Q: 如何使用流式对话？
A: 项目提供两个流式接口：`/ai/chat/stream`（普通对话）和 `/agent/stream`（Agent 智能体）。前端可使用 EventSource 或 Fetch API 接收 SSE 流式数据。项目内置了 `stream-chat.html` 提供完整的前端示例，支持切换普通对话和 Agent 模式。

### Q: 如何使用 Workflow 工作流？
A: `spring-ai-study-model` 模块提供了 Manus 工作流编排能力，包括 TaskPlan、TaskStep 和 WorkflowOrchestrator。可通过 `/workflow` REST API 调用工作流，或使用 `workflow-demo.html` 前端页面进行可视化演示。支持多Agent协作和复杂任务分解。

### Q: 如何使用命令行问答工具？
A: 进入 `ask-question` 模块目录，运行 `mvn spring-boot:run` 即可启动交互式命令行问答工具。该工具支持实时与 AI 对话，并内置 AskUserQuestionTool 可以主动询问用户获取更多信息，适合快速测试和开发调试。

### Q: 如何使用智能记忆系统？
A: `spring-ai-memory` 模块提供了 `FusionChatMemory` 实现，采用三层融合记忆架构（短期滑动窗口 + LLM摘要 + 长期向量存储）。只需注入 `FusionChatMemory` Bean，调用 `add()` 添加消息，`get()` 获取融合上下文即可。v1.2 版本支持智能记忆合并功能，检测到相似记忆时会自动使用 LLM 合并而非简单跳过。详细文档请参考 [spring-ai-memory/README.md](spring-ai-memory/README.md)。

## 🤝 贡献指南

欢迎提交 Issue 和 Pull Request 来完善这个项目！

1. Fork 本仓库
2. 创建你的特性分支 (`git checkout -b feature/AmazingFeature`)
3. 提交你的改动 (`git commit -m 'Add some AmazingFeature'`)
4. 推送到分支 (`git push origin feature/AmazingFeature`)
5. 开启一个 Pull Request

## 📄 许可证

本项目仅供学习交流使用。

## 🌟 支持项目

如果这个项目对你有帮助,请给个 Star ⭐ 支持一下!

### 👥 贡献者

感谢所有为这个项目做出贡献的开发者!

---

<div align="center">

**Made with ❤️ by Spring AI Community**

[⭐ Star](https://gitee.com/your-repo/stargazers) | [🍴 Fork](https://gitee.com/your-repo/forks) | [📋 Issues](https://gitee.com/your-repo/issues)

</div>