手搓本地 RAG：我用 Python 和 Spring Boot 给 AI 装上了"实时代码监控"
前言 ：最近 DeepSeek 很火，API 便宜又好用。但接入项目后我发现一个痛点：它不懂我的私有代码 。每次问业务逻辑，它只能瞎编。微调模型太贵且麻烦，于是我决定用最朴素的技术栈------Python Watchdog + ChromaDB + Spring Boot，手搓一个能"实时监听代码变更"的本地知识库。
1. 痛点：AI 的"失忆症"与"幻觉"
接入 DeepSeek V3 后，我兴冲冲地问它："SysUser 模块的权限校验逻辑是怎样的？"
它一本正经地回复："在 Spring Security 中，通常使用 UserDetailsService..."
不对！ 我的项目用的是 Sa-Token，而且权限逻辑写在自定义切面里。
AI 并没有读过我的代码，它只有通用知识。
为了解决这个问题，通常有两条路：
- 超长 Context：每次提问把几百个文件全塞进 Prompt。（贵，且慢）
- RAG (检索增强生成)：把代码切片存进向量库，问什么查什么。（精准，高效）
我选择了方案 2。但市面上的 RAG 方案大多是离线的------代码改了，需要手动重新跑一遍脚本更新索引。这太反人类了 。我想要的是：我在 IDEA 里改了代码，Ctrl+S 保存，AI 的脑子下一秒就自动同步了。
2. 架构设计：跨语言的"左右互搏"
为了实现"实时同步"，我设计了如下架构：
- 右脑 (Python) ：负责"看"和"记"。
- Watchdog：监听文件系统事件（增删改移动）。
- JavaParser：正则提取 Java 类、方法、注解。
- ChromaDB：本地向量存储（无需安装服务器，嵌入式运行）。
- 左脑 (Java) ：负责"听"和"说"。
- Spring Boot：处理用户 HTTP 请求。
- SSE：流式推送 AI 回复。
3. 核心实现：给代码库装上"监控探头"
3.1 第一步：监听文件变更 (Python)
使用 Python 的 watchdog 库，我们可以轻松捕获文件系统的任何风吹草动。
python
# file_watcher.py
class CodeChangeHandler(FileSystemEventHandler):
def on_modified(self, event):
if event.src_path.endswith(".java"):
print(f"[监测到修改] {event.src_path}")
# 1. 删除旧向量
self.db.delete_by_source(os.path.basename(event.src_path))
# 2. 解析新代码
chunks = self.parser.parse_file(event.src_path)
# 3. 存入向量库
self.db.add_documents(chunks)这段代码的核心逻辑是：增量更新。只处理变动的文件，而不是每次全量扫描，效率极高。
3.2 第二步：本地向量存储 (ChromaDB)
为什么选 ChromaDB？因为它不用装 Docker ，不用配环境，pip install 就能用，数据直接存成 .sqlite3 和 .bin 文件，非常适合个人开发者。
python
# vector_store.py
import chromadb
class VectorStore:
def __init__(self):
# 数据直接持久化到本地目录
self.client = chromadb.PersistentClient(path="./chroma_db")
self.collection = self.client.get_or_create_collection(name="codebase")
def query(self, question, n_results=3):
# 自动计算问题的 Embedding 并检索相似代码块
results = self.collection.query(
query_texts=[question],
n_results=n_results
)
return results['documents'][0]3.3 第三步：Java 后端的"上下文注入"
在 Spring Boot 中，当用户发起提问时，我们先偷偷去 Python 那里查一下。
java
// SysAiController.java
public SseEmitter chatStream(String question) {
// 1. 调用 Python 接口检索相关代码
String context = ragService.retrieve(question);
// 2. 组装 System Prompt
String systemPrompt = "你是一个 Java 专家。请参考以下代码回答问题：\n" + context;
// 3. 请求 DeepSeek API
return deepSeekClient.streamChat(systemPrompt, question);
}4. 遇到的坑与优化
坑 1：AI 记不住上一句话
接入 RAG 后，AI 回答准确了，但如果你追问"那这个方法怎么优化？"，它会懵："哪个方法？"
解决 ：引入 Redis 记录 sessionId 对应的最近 10 轮对话，每次请求不仅带上 RAG 代码块，还要带上 Redis 里的历史记录。
坑 2：日志太丑
监控这些复杂的异步任务（监听、检索、推送），控制台日志乱飞。
解决 ：我在 v0.1.6 版本中专门做了一个监控大屏 。用 ECharts 实时展示 Token 消耗和检索耗时，甚至把服务器的 CPU/内存状态也做进去了，采用 Glassmorphism (毛玻璃) 风格，瞬间治愈强迫症。
5. 总结与源码
这套"本地 RAG"架构，最大的优势就是轻量 且实时。不需要庞大的运维成本，非常适合个人项目或小团队开发工具。
如果你对这套 Spring Boot + Python (Watchdog/Chroma) + Vue3 的完整实现感兴趣，我已经将其整理并开源在我的脚手架项目中。
项目中还包含：
- ✅ DeepSeek V3 纯净集成
- ✅ 前端代码生成器 (基于字典)
- ✅ 毛玻璃风格监控大屏
源码获取：
希望这个思路能给你带来启发！