【Spring AI 集成 DeepSeek 实现 AI 摘要与 RAG 问答】：从原理到落地实践

🔥你好我是fengxin_rou这是我的个人主页 fengxin_rou的主页

❄️欢迎查看我的专栏我的专栏

《Java后端学习》、《JAVASE基础》、《JUC并发》、《redis》、《JVM虚拟机》、《MYSQL》、《黑马点评》、《rabbitmq》、《JavaWeb+AI的talis学习系统》、《苍穹外卖》

目录

前言

[一、项目基础配置：Spring AI 对接 DeepSeek 大模型](#一、项目基础配置：Spring AI 对接 DeepSeek 大模型)

[1.1 核心配置类设计](#1.1 核心配置类设计)

[1.2 配置要点说明](#1.2 配置要点说明)

[二、AI 一键生成摘要：文章描述自动生成](#二、AI 一键生成摘要：文章描述自动生成)

[2.1 功能逻辑](#2.1 功能逻辑)

[2.2 核心实现代码](#2.2 核心实现代码)

[2.3 关键参数解析](#2.3 关键参数解析)

[三、RAG 索引构建：私有知识向量化管理](#三、RAG 索引构建：私有知识向量化管理)

[3.1 RAG 核心原理](#3.1 RAG 核心原理)

[3.2 索引全流程](#3.2 索引全流程)

[3.3 索引服务核心逻辑](#3.3 索引服务核心逻辑)

[3.4 指纹作用](#3.4 指纹作用)

[四、RAG 问答查询：流式精准回答](#四、RAG 问答查询：流式精准回答)

[4.1 问答流程](#4.1 问答流程)

[4.2 宽召回机制](#4.2 宽召回机制)

[4.3 流式问答实现代码](#4.3 流式问答实现代码)

[4.4 向量检索原理](#4.4 向量检索原理)

五、关键技术细节与优化建议

[5.1 Embedding 模型配置](#5.1 Embedding 模型配置)

[5.2 核心优化点](#5.2 核心优化点)

结语

前言

在企业级知识管理场景中，自动生成内容摘要 与基于私有文档的精准问答是提升信息效率的核心需求。本文基于 Spring AI 框架，整合 DeepSeek 大模型与向量数据库，完整实现 AI 一键摘要与 RAG 检索增强生成功能，覆盖配置、编码、索引、检索全流程，兼顾入门与实战。

一、项目基础配置：Spring AI 对接 DeepSeek 大模型

1.1 核心配置类设计

大模型接入的关键是通过 Spring 依赖注入明确指定模型实现，避免多模型注入冲突。@Qualifier 注解用于精准绑定 Bean，确保 ChatClient 使用 DeepSeek 模型。

/**
 * 大模型配置类：定义ChatClient Bean并绑定DeepSeek模型
 */
@Configuration
public class LlmConfig {
    /**
     * 创建ChatClient，指定使用deepSeekChatModel
     */
    @Bean
    public ChatClient chatClient(@Qualifier("deepSeekChatModel") ChatModel chatModel) {
        return ChatClient.builder(chatModel).build();
    }
}

1.2 配置要点说明

• @Configuration：标记为配置类，Spring 启动时加载。
• @Bean：将方法返回值注册为 Spring 容器中的 Bean。
• @Qualifier：解决多 ChatModel 实现注入歧义，强制使用 DeepSeek 模型。

该配置是后续所有 AI 能力的基础，统一管理大模型调用入口，降低业务层耦合。

二、AI 一键生成摘要：文章描述自动生成

2.1 功能逻辑

接收文章正文 → 拼接系统与用户提示词 → 调用 DeepSeek → 结果后处理 → 返回 50 字内精简描述。系统提示词 定义 AI 角色与规则，用户提示词传递具体任务，二者结合保证输出规范。

2.2 核心实现代码

/**
 * AI生成知文摘要实现类
 */
@Service
@RequiredArgsConstructor
public class KnowPostDescriptionServiceImpl implements KnowPostDescriptionService {
    private final ChatClient chatClient;

    /**
     * 生成不超过50字的中文描述
     */
    public String generateDescription(String content) {
        // 非空校验
        if (content == null || content.trim().isEmpty()) {
            throw new BusinessException(ErrorCode.BAD_REQUEST, "正文内容不能为空");
        }
        // 系统提示：定义角色与输出规则
        String system = "你是中文文案编辑。请基于知文正文生成简洁有吸引力的描述，不超过50字，仅输出结果";
        // 用户提示：传递待处理内容
        String user = "正文如下：\n\n" + content + "\n\n请直接给出不超过50字的中文描述";
        try {
            // 调用大模型
            String result = chatClient.prompt()
                    .system(system)
                    .user(user)
                    .options(DeepSeekChatOptions.builder()
                            .model("deepseek-chat") // 指定模型
                            .temperature(0.8) // 创造性参数
                            .maxTokens(120) // 最大输出token
                            .build())
                    .call()
                    .content();
            return postProcess(result);
        } catch (Exception e) {
            throw new BusinessException(ErrorCode.INTERNAL_ERROR, "大模型调用失败");
        }
    }

    /**
     * 结果后处理：格式化、去冗余、截断至50字
     */
    private String postProcess(String text) {
        if (text == null) return "";
        // 标准化、去换行、合并空格
        String t = Normalizer.normalize(text, Normalizer.Form.NFKC)
                .replaceAll("\r\n|\r|\n", " ")
                .replaceAll("\\s+", " ").trim();
        // 去除首尾引号与标点
        t = t.replaceAll("^[\"'""'']+|[\"'""'']+$", "")
                .replaceAll("[。!！?？；;、]+$", "");
        // 按Unicode码点截断至50字
        int limit = 50;
        int count = t.codePointCount(0, t.length());
        if (count <= limit) return t;
        StringBuilder sb = new StringBuilder();
        int i = 0, added = 0;
        while (i < t.length() && added < limit) {
            int cp = t.codePointAt(i);
            sb.appendCodePoint(cp);
            i += Character.charCount(cp);
            added++;
        }
        return sb.toString();
    }
}

2.3 关键参数解析

• temperature：0 - 1，值越高输出越随机，摘要场景设 0.8 兼顾创意与规范。
• maxTokens：限制输出长度，避免内容溢出。
• 后处理：解决格式混乱、字数超标问题，保证展示友好。

三、RAG 索引构建：私有知识向量化管理

3.1 RAG 核心原理

RAG（检索增强生成）通过文档切片 + 向量存储 + 指纹校验，实现私有知识精准检索，避免大模型幻觉。指纹（SHA - 256）用于判断文档是否更新，决定是否重建索引。

3.2 索引全流程

1. 首次上传：前端计算 SHA - 256 与 ETag → 上传 OSS → 后端存指纹到 MySQL → 触发索引 → 文档切片存入向量库并携带指纹。
2. 查询校验：问答前比对 MySQL 与向量库指纹，一致则跳过重建。
3. 修改重传：指纹变更 → 删除旧索引 → 生成新索引。

3.3 索引服务核心逻辑

/**
 * RAG索引服务：确保索引最新
 */
@Service
@RequiredArgsConstructor
public class RagIndexService {
    /**
     * 确保单篇知文索引最新
     */
    public void ensureIndexed(long postId) {
        // 从MySQL获取当前指纹
        String currentSha = getCurrentShaFromDB(postId);
        // 查询向量库已存指纹
        String indexedSha = getIndexedShaFromVector(postId);
        // 指纹不一致则重建索引
        if (!currentSha.equals(indexedSha)) {
            deleteOldIndex(postId);
            buildNewIndex(postId, currentSha);
        }
    }
}

3.4 指纹作用

• 唯一标识文档内容，避免重复索引，提升性能。
• 保证向量库数据与源文档一致，防止检索失效。

四、RAG 问答查询：流式精准回答

4.1 问答流程

1. 确保索引最新；
2. 向量相似度检索上下文；
3. 组装提示词；
4. 流式调用大模型；
5. 返回结果。

4.2 宽召回机制

先检索 20 条相似文档（宽召回），再按 postId 过滤，取前 5 条作为上下文，提升检索准确率。

4.3 流式问答实现代码

/**
 * RAG问答查询服务：流式返回回答
 */
@Service
@RequiredArgsConstructor
public class RagQueryService {
    private final VectorStore vectorStore;
    private final ChatClient chatClient;
    private final RagIndexService indexService;

    /**
     * 流式问答接口
     */
    public Flux<String> streamAnswerFlux(long postId, String question, int topK, int maxTokens) {
        // 确保索引最新
        indexService.ensureIndexed(postId);
        // 检索上下文
        List<String> contexts = searchContexts(String.valueOf(postId), question, topK);
        String context = String.join("\n\n---\n\n", contexts);
        // 提示词组装
        String system = "你是中文知识助手，仅依据上下文作答，不确定则说明";
        String user = "问题：" + question + "\n\n上下文：\n" + context;
        // 流式调用大模型
        return chatClient.prompt()
                .system(system)
                .user(user)
                .options(DeepSeekChatOptions.builder()
                        .model("deepseek-chat")
                        .temperature(0.2) // 低温度保证严谨
                        .maxTokens(maxTokens)
                        .build())
                .stream()
                .content();
    }

    /**
     * 向量检索上下文：宽召回+postId过滤
     */
    private List<String> searchContexts(String postId, String query, int topK) {
        int fetchK = Math.max(topK * 3, 20);
        // 向量相似度搜索
        List<Document> docs = vectorStore.similaritySearch(
                SearchRequest.builder().query(query).topK(fetchK).build()
        );
        List<String> out = new ArrayList<>();
        for (Document d : docs) {
            // 仅保留当前帖子切片
            if (postId.equals(String.valueOf(d.getMetadata().get("postId")))) {
                out.add(d.getText());
                if (out.size() >= topK) break;
            }
        }
        return out;
    }
}

4.4 向量检索原理

用户问题经 Embedding 模型转为 1536 维向量，与向量库中文档向量计算余弦相似度，排序后取最相似结果。1536 维平衡语义表达、计算效率与存储成本。

五、关键技术细节与优化建议

5.1 Embedding 模型配置

embedding:
  options:
    model: text-embedding-v4 # 向量模型
    dimensions: 1536 # 向量维度

5.2 核心优化点

• 指纹校验：减少无效索引，提升系统响应速度。
• 宽召回：提升检索覆盖率，避免遗漏关键信息。
• 流式输出：提升用户体验，适用于长文本回答。
• 温度参数：摘要用 0.8 增强创意，问答用 0.2 保证严谨。

结语

本文基于 Spring AI 与 DeepSeek，完整实现AI 自动摘要 与 RAG 检索问答两大核心功能，覆盖配置、编码、索引、检索全流程。该方案可直接落地到企业知识平台、文档管理系统等场景，解决私有知识高效利用与大模型幻觉问题。后续可优化文档切片策略、引入多模型切换、提升向量检索性能，进一步增强系统能力。