从项目启动到 Milvus 向量检索，我把 RAG 项目链路又打通了一层

Stick_ZYZ2026-06-03 10:31

一、今天主要学了什么？

今天的学习内容不是单独某一个知识点，而是围绕我的 SuperBizAgent 智能问答与运维系统，继续把项目工程化链路往下拆。

主要包括这几个方向：

1. Spring Boot 项目依赖管理

今天重点理解了 Maven 里面的 BOM。

以前我看到项目里既有：

复制代码 
<properties>
    <spring-ai.version>...</spring-ai.version>
</properties>

又有：

复制代码 
<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>xxx</groupId>
            <artifactId>xxx-bom</artifactId>
            <version>${xxx.version}</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

会觉得很绕。

今天终于明白了：

properties 只是定义版本号变量，BOM 才是真正统一管理一组依赖版本的地方。

也就是说，BOM 更像是一个"版本清单"。

比如 Spring AI、Spring Cloud、Spring AI Alibaba 这类生态组件，通常不是一个单独 jar，而是一整套依赖。如果每个依赖都手动写版本，很容易出现版本不兼容。

所以 BOM 的作用就是：

复制代码 
我只指定一个生态版本，
具体里面每个子依赖该用什么版本，
由 BOM 帮我统一管理。

这对后续做 AI Agent 项目很重要，因为 Spring AI 相关依赖版本变化比较快，如果版本没管好，很容易出现代码之前能跑，升级之后接口变了、类找不到、方法不存在的问题。

二、理解了 DevTools：代码改动后自动重启

今天还看到了项目里的这个依赖：

复制代码 
spring-boot-devtools

一开始我不太理解，感觉以前项目里也没怎么见过它。

后来理解了，它主要是为了提升开发效率。

它的作用可以简单理解为：

当我修改 Java 代码后，不需要手动停止项目再重新启动，Spring Boot 会自动检测变化，然后帮我重启应用。

不过这个"无感知"不是完全没有等待。

更准确地说：

复制代码 
代码改了
↓
项目自动重启
↓
浏览器刷新页面或者重新请求接口时
可能会等一下
↓
但不需要我手动再点一次启动

所以它不是前端那种真正意义上的热更新，而是后端开发中的"自动重启"。

对开发者来说，最大的好处就是：

少做重复操作，改完代码直接重新访问接口即可。

三、Makefile 到底是什么？

今天还重点理解了项目里的 Makefile。

之前我以为启动项目就是点 IDEA 的运行按钮，或者执行：

复制代码 
mvn spring-boot:run

但这个项目里面用了 Makefile，比如可能会有：

复制代码 
make start
make backend
make docker-up

这种命令。

今天我理解到：

Makefile 本质上就是一个"命令脚本集合"。

它不是 Java 项目必须有的东西，而是为了把复杂命令封装起来。

比如原本我要手动执行很多命令：

复制代码 
docker compose up -d
mvn clean package
java -jar xxx.jar

如果写进 Makefile，就可以变成：

复制代码 
make start

这样更方便，也更适合团队协作。

因为团队里每个人不需要记住一堆复杂命令，只需要知道统一入口。

这也让我理解了公司项目中为什么经常会有一些脚本文件，比如：

复制代码 
Makefile
shell 脚本
bat 脚本
docker-compose.yml
CI/CD 配置文件

这些本质上都是为了让项目启动、部署、测试更标准化。

四、Docker Compose：原来 Milvus 不是一个单独容器

今天继续看了 Milvus 的 Docker Compose 配置。

一开始我以为：

Milvus 就是一个单独的向量数据库，启动一个 Milvus 容器就行。

但看了 compose 文件之后发现，Milvus 通常不是孤零零一个服务，它还依赖其他组件，比如：

复制代码 
Milvus
etcd
MinIO

可以简单理解为：

复制代码 
Milvus：负责向量数据管理和检索
etcd：负责元数据、服务协调
MinIO：负责对象存储，比如存一些底层数据文件

所以 docker-compose.yml 的作用就是：

一次性把 Milvus 运行所需要的一组服务都拉起来。

这让我对 Docker Compose 有了更清晰的认识：

复制代码 
Docker 是启动一个容器
Docker Compose 是编排一组容器

对于 Milvus 这种复杂中间件来说，用 Docker Compose 比手动一个个启动容器方便很多。

五、理解了 YAML 里面的 -

今天也顺便理解了 YAML 配置文件里的 -。

比如：

复制代码 
volumes:
  - ./data:/data

这里的 - 不是减号，而是表示：

这是一个列表元素。

也就是说：

复制代码 
volumes:
  - A
  - B
  - C

等价于 Java 里面的：

复制代码 
List<String> volumes = List.of("A", "B", "C");

即使只有一个元素，也可以写成列表形式：

复制代码 
ports:
  - "19530:19530"

这样做是因为很多配置项本来就支持多个值。

比如端口映射、目录挂载、环境变量、依赖服务等，都可能有多个，所以统一用列表结构更清晰。

六、curl 是什么？它和 Postman、Apifox 有什么关系？

今天还理解了一个经常出现在文档里的工具：curl。

以前看到别人写：

复制代码 
curl http://localhost:9900/api/test

会觉得有点陌生。

今天理解了：

curl 是一个命令行 HTTP 请求工具，可以用来测试接口。

浏览器其实也能请求接口，但浏览器主要适合测试 GET 请求。

比如访问：

复制代码 
http://localhost:9900/api/hello

浏览器可以直接打开。

但是如果是 POST 请求，需要设置请求体、请求头、Content-Type，就不方便了。

比如：

复制代码 
curl -X POST http://localhost:9900/api/chat \
  -H "Content-Type: application/json" \
  -d '{"message":"你好"}'

这时候 curl 就很有用了。

而 Postman、Apifox 这种工具，本质上也是帮我们更方便地构造 HTTP 请求。

可以这样理解：

复制代码 
curl：命令行方式测试接口
Postman / Apifox：图形化方式测试接口
浏览器：主要适合简单 GET 请求

所以 curl 不是只能测试 GET，它也可以测试：

复制代码 
GET
POST
PUT
DELETE
PATCH
上传文件
携带请求头
携带请求体

这对后端开发很重要，因为很多接口不是简单浏览器访问就能测出来的。

七、继续深入 Milvus：Collection 类似 MySQL 的表

今天最后重点看了 Milvus 向量搜索代码。

其中有一个问题是：

查询参数里的 collection 是什么？

今天理解到：

Milvus 里的 Collection，可以类比成 MySQL 里的表。

比如 MySQL 里可能有：

复制代码 
user_table
order_table
article_table

而 Milvus 里可能有：

复制代码 
document_collection
knowledge_collection
log_collection

每个 Collection 里面存的是一批向量数据。

所以可以简单对应成：

MySQL Milvus
Database Database
Table Collection
Row Entity
Column Field
索引 向量索引
SQL 查询 向量相似度检索

这样一对比就清楚很多。

八、Vector 是什么？为什么查询参数里会有 Vector？

今天还有一个重点问题：

Collection 类似 MySQL 的表，那 Vector 又是什么？

这个其实是 RAG 项目里非常核心的概念。

在 MySQL 里面，我们通常根据字段查询：

复制代码 
select * from article where title like '%Milvus%';

但在向量数据库里，不是靠关键词完全匹配，而是靠"语义相似度"。

比如用户问：

复制代码 
Milvus 怎么查询相似文本？

系统会先把这句话交给 Embedding 模型，转换成一个向量：

复制代码 
[0.12, -0.35, 0.88, 0.04, ...]

这个向量就是 Vector。

然后 Milvus 会拿这个查询向量，去 Collection 里找最相似的向量。

所以这里的 Vector 可以理解为：

用户问题经过 Embedding 模型转换后的"语义坐标"。

它不是普通字符串，也不是数据库字段名，而是一组浮点数。

完整流程大概是：

复制代码 
用户输入问题
↓
Embedding 模型把问题转成向量
↓
拿这个向量去 Milvus 的 Collection 中搜索
↓
找到最相似的文档片段
↓
把文档片段交给大模型生成回答

这就是 RAG 在线问答链路的核心。

九、Milvus 最后返回的是一个集合吗？

今天还看了向量搜索服务里的代码，大概会涉及：

复制代码 
SearchResults
SearchResultsWrapper
List<SearchResultsWrapper.IDScore>

这里也有一个问题：

最后得到的结果是不是一个集合？

答案是：是的。

Milvus 搜索不是只返回一个结果，而是返回一批最相似的结果。

比如设置 topK = 5，那么 Milvus 会返回最相似的 5 条数据。

可以理解为：

复制代码 
[
  文档片段1，相似度分数0.91
  文档片段2，相似度分数0.87
  文档片段3，相似度分数0.82
  文档片段4，相似度分数0.79
  文档片段5，相似度分数0.75
]

所以在 Java 代码里，通常会用 List 接收。

这些结果里面一般会包含：

复制代码 
id
score
metadata
文本内容

其中 score 表示相似度分数。

分数越高，说明这个文档片段和用户问题越相关。

十、今天对 RAG 项目链路的理解更完整了

今天学完之后，我对 RAG 项目的链路更加清楚了。

以前只是知道：

复制代码 
上传文档
切分文本
向量化
存入向量数据库
查询时召回
交给大模型回答

但今天开始能把它和具体代码对应起来了。

比如：

离线阶段

复制代码 
上传文件
↓
保存文件
↓
解析文本
↓
文本切分 chunk
↓
调用 Embedding 模型生成向量
↓
存入 Milvus Collection

在线阶段

复制代码 
用户提问
↓
把问题转换成 Vector
↓
Milvus 在 Collection 中做相似度检索
↓
返回 topK 个相似结果
↓
拼接成上下文
↓
交给 LLM 生成最终回答

现在我再看项目中的服务类，就不会觉得它们是割裂的。

比如：

复制代码 
VectorEmbeddingService：负责把文本转成向量
VectorSearchService：负责从 Milvus 搜索相似向量
MilvusServiceClient：负责和 Milvus 通信
SearchParam：负责封装搜索参数
SearchResultsWrapper：负责解析搜索结果

这几个类其实正好对应了 RAG 在线检索链路。

十一、今天的面试表达沉淀

如果面试官问：

你这个项目里的 Milvus 是怎么用的？

可以这样回答：

我在项目中使用 Milvus 作为向量数据库，主要用于 RAG 问答中的知识召回。离线阶段会先把用户上传的文档解析、切分，然后调用 Embedding 模型把文本片段转换成向量，存入 Milvus 的 Collection 中。在线查询时，会先把用户问题也转换成向量，然后在指定 Collection 中做相似度检索，返回 topK 个最相关的文档片段，再把这些片段作为上下文交给大模型生成回答。

如果面试官继续问：

Milvus 的 Collection 是什么？

可以回答：

Collection 可以类比成 MySQL 里的表。MySQL 的表存的是结构化数据，而 Milvus 的 Collection 存的是向量数据以及对应的字段信息，比如文本内容、文档 ID、metadata 等。

如果面试官问：

查询时传入的 Vector 是什么？

可以回答：

Vector 是用户问题经过 Embedding 模型转换后的向量表示。它是一组浮点数，用来表示文本语义。Milvus 会拿这个查询向量和库里的文档向量做相似度计算，从而找到语义上最相关的内容。

如果面试官问：

Milvus 返回的结果是什么？

可以回答：

返回的是一组相似结果，一般是 topK 个，每个结果会包含 ID、相似度分数以及我们需要的业务字段。项目中会把这些结果封装成 List，然后提取相关文本片段，作为 RAG 的上下文。

十二、今天的收获

今天最大的收获是，我不再只是从概念上理解 RAG，而是开始从工程实现角度理解它。

以前听到：

复制代码 
向量数据库
Embedding
Collection
Vector
topK
相似度搜索

这些词会觉得有点抽象。

但今天结合项目代码之后，我发现它们其实是一个完整链路里的不同环节。

可以总结成一句话：

RAG 的核心不是简单地"接入一个大模型"，而是要把文档处理、向量化、向量存储、相似度检索、上下文拼接和大模型生成串成一条稳定的工程链路。

今天虽然学的内容比较杂，但其实都在服务于一个目标：

让我的 SuperBizAgent 项目从"能跑"逐步变成"能讲清楚、能调试、能面试表达"的项目。

这也是我现在准备实习过程中最需要补齐的能力。

结尾

今天的学习让我对项目工程化和 RAG 检索链路都有了更清楚的认识。

从 Maven 依赖管理，到 Docker Compose 部署 Milvus，再到 curl 测试接口，最后深入到 Milvus 的 Collection、Vector 和搜索结果解析，这些内容看起来分散，但其实都是一个 AI Agent 项目真正落地时必须掌握的基础能力。

后面继续推进这个项目时，我会重点把两件事做好：

复制代码 
第一，把代码链路真正跑通、调通；
第二，把每一块技术都转化成面试中能讲清楚的话。

这样这个项目才不只是一个学习 Demo，而是能真正放进简历、支撑实习面试的 AI 项目。

相关推荐
AndrewHZ43 分钟前
【LLM技术全景】Transformer架构深度解析：Encoder-Decoder全理解
人工智能·深度学习·语言模型·大模型·llm·transformer·编解码技术
沫儿笙43 分钟前
新能源汽车焊接智能节气装置
人工智能·机器人·汽车
阿昌喜欢吃黄桃43 分钟前
大模型常见参数学习笔记
人工智能·ai·llm·prompt·token
包子BI大数据44 分钟前
2.COZE-RAG知识库搭建
python·ai·aigc
码上有光1 小时前
c++:多态
java·jvm·c++·多态·多态原理
Lumbrologist1 小时前
【C++】零基础入门 · 第 18 节：互斥锁与线程同步
java·开发语言·c++
程序员cxuan1 小时前
太顶了，ChatGPT 要和 Codex 搞一起了。
人工智能·后端·程序员
AIMath~1 小时前
MongoDB数据库，MySQL数据库，Redis数据库，Milvus数据库对比分析与和核心总结
数据库·mysql·mongodb·milvus
weixin_446260851 小时前
ClinEnv：面向Agent的交互式多阶段电子健康记录（EHR）环境
人工智能
热门推荐
012026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf02GitHub 镜像站点03【AI】2026 年具身智能模型和世界模型总结04Codex 下载安装指南：Windows 和 macOS 官方版下载05【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法06裂开！ChatGPT 居然开始要手机号验证，附详细解决方法07CC-Switch 下载、安装与使用配置指南【2026.5.29】08CC-Switch & Claude 基于 Linux 服务器安装使用指南09Codex 接入 DeepSeek API 完整配置文档10几个好用的ip纯净度检测网站