Spring AI 实战：电商客服智能知识库 RAG 系统全流程开发

章为忠学架构

发布于 2026-01-20 12:28:34

740

经过前面几篇文章的铺垫，我们已掌握 Spring AI 核心模块（对话、Embedding、RAG）与优化技巧。本文将聚焦电商行业高频痛点，通过实战案例 —— 电商客服智能知识库 RAG 系统，带大家完成从需求分析、环境搭建到系统测试的全流程开发。该系统支持本地 PDF 格式的电商规则文档导入、Milvus 向量存储、双 Advisor 检索增强，可精准解答用户关于退换货政策、物流查询、促销活动等咨询，帮助企业提升客服响应效率、降低沟通成本，同时避免大模型 “幻觉” 问题。

一、项目需求与技术选型

1. 核心需求

支持导入本地 PDF 格式电商规则文档（如《电商知识库标准条款》等）。
实现电商场景高频问题智能问答（如 “双 11 买的口红拆封能退吗？”“未发货订单怎么改地址？”“偏远地区包邮吗？”）。
支持两种检索模式：精准条款匹配（QuestionAnswerAdvisor）与复杂场景增强（RetrievalAugmentationAdvisor），适配不同咨询场景。
回答需基于知识库内容，标注信息来源，避免编造规则，同时过滤与电商业务无关的查询。
支持提取用户问题中的核心实体（商品类型、购买时间、需求类型），提升检索精准度。

2. 技术选型

技术模块	选型方案
开发框架	Spring Boot 3.5.3 + Spring AI 1.0.0-SNAPSHOT
大模型	智普 AI（Embedding：embedding-2；Chat：GLM-4-Flash）
向量数据库	Milvus 2.4.0
文档解析	PdfDocumentReader（支持 PDF 文档解析）
文本切分	TokenTextSplitter（按 Token 数量智能切分）
RAG 组件	QuestionAnswerAdvisor + RetrievalAugmentationAdvisor

二、项目初始化与环境配置

1. 创建 Spring Boot 项目

项目名称：Weiz-SpringAI-RAG-EcommerceCustomer
JDK 版本：17
Spring Boot 版本：3.5.3
核心依赖：Spring Web、Spring AI 相关依赖（智普 AI、Milvus、RAG 组件、Tika 文档解析，PDF 文档解析）

2. 配置 pom.xml 依赖

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <parent>
        <groupId>com.example</groupId>
        <artifactId>Weiz-SpringAI</artifactId>
        <version>0.0.1-SNAPSHOT</version>
    </parent>
    <artifactId>Weiz-SpringAI-RAG-EcommerceCustomer</artifactId>
    <name>Weiz-SpringAI-RAG-EcommerceCustomer</name>
    <description>Weiz-SpringAI-RAG-EcommerceCustomer</description>

    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>

        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-starter-model-zhipuai</artifactId>
        </dependency>

        <!-- spring-ai-client-chat 中包括 TokenTextSplitter、TextReader、Document 等工具 -->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-client-chat</artifactId>
        </dependency>

        <!-- PDF 文档解析依赖 -->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-pdf-document-reader</artifactId>
        </dependency>

        <!-- DOC 文档解析依赖（Tika） -->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-tika-document-reader</artifactId>
        </dependency>

        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-test</artifactId>
            <scope>test</scope>
        </dependency>

        <!-- Milvus 向量数据库 Starter -->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-starter-vector-store-milvus</artifactId>
        </dependency>

        <!-- QuestionAnswerAdvisor 依赖 -->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-advisors-vector-store</artifactId>
        </dependency>

        <!-- RetrievalAugmentationAdvisor 依赖 -->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-rag</artifactId>
        </dependency>

    </dependencies>
</project>

3. 配置 application.properties

# 应用基础配置
spring.application.name=Weiz-SpringAI-RAG-EcommerceCustomer
server.port=8080
# 智普 AI 配置
spring.ai.zhipuai.api-key=你的智普 AI API Key
spring.ai.zhipuai.base-url=https://open.bigmodel.cn/api/paas
spring.ai.zhipuai.embedding.options.model=embedding-2
spring.ai.zhipuai.chat.options.model=GLM-4-Flash
# Milvus 向量数据库配置
spring.ai.vectorstore.milvus.client.host=localhost
spring.ai.vectorstore.milvus.client.port=19530
spring.ai.vectorstore.milvus.client.token=root:Milvus
spring.ai.vectorstore.milvus.database-name=default
spring.ai.vectorstore.milvus.collection-name=guide_exam_store
spring.ai.vectorstore.milvus.initialize-schema=true
spring.ai.vectorstore.milvus.embedding-dimension=1024
# 日志配置（便于调试）
logging.level.org.springframework.ai=INFO
logging.level.com.example=DEBUG

三、知识库构建：电商规则文档导入与向量入库

1. 准备电商客服知识库文档

将电商知识库标准条款.doc 文档放入 src/main/resources 目录，文档内容示例：

一、退换货政策（核心条款）
（一）通用退换货规则
1. 7 天无理由退换：用户签收商品后 7 天内，商品完好（吊牌未拆、包装完整、
无使用痕迹），支持无理由退换；美妆、个护类商品拆封后仍支持 7 天无理由退
换，但需保留赠品及原包装配件。
2. 质量问题退换：商品存在破损、功能故障、材质不符等质量问题，支持签收后 30 
天内免费退换，往返运费由商家承担；需提供问题商品清晰照片、快递面单作为
凭证，48 小时内响应处理。
3. 退换货流程：用户发起申请 → 商家审核（24 小时内）→ 用户寄回商品（7 天
内）→ 商家验收 → 退款 / 换货（验收后 48 小时内）。

（二）特殊商品退换规则
1. 定制类商品：刻字首饰、定制尺寸服装、个性化印刷品等，无质量问题不支持退
换；质量问题需在签收后 48 小时内反馈，提供定制凭证及问题证明。
2. 食品 / 美妆类：食品、饮料、保健品等开封后不支持退换；美妆类商品（口红、
粉底液等）使用后出现过敏需提供医院诊断证明，支持全额退款。
3. 数码家电类：未拆封数码家电支持 7 天无理由退换；拆封后仅支持质量问题退
换，需提供品牌售后检测报告；保修服务按品牌官方政策执行。

.......
后面省略

2. 编写知识库初始化配置

创建com.example.weizspringai.config.KnowledgeBaseConfig 类，实现 DOC 文档解析、文本切分与向量入库：

import org.springframework.ai.document.Document;
import org.springframework.ai.reader.tika.TikaDocumentReader;
import org.springframework.ai.transformer.splitter.TokenTextSplitter;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.core.io.ClassPathResource;
import org.springframework.core.io.Resource;
import org.springframework.stereotype.Component;
import jakarta.annotation.PostConstruct;
import java.util.ArrayList;
import java.util.List;

@Component
public class KnowledgeBaseConfig {
    private final VectorStore vectorStore;
    public KnowledgeBaseConfig(VectorStore vectorStore) {
        this.vectorStore = vectorStore;
    }

    /**
     * 项目启动时初始化知识库：解析 PDF 文档 → 切分文本 → 向量入库
     */
    @PostConstruct
    public void initKnowledgeBase() {
        try {
            System.out.println("开始初始化电商客服知识库...");
            // 1. 定义需要导入的 PDF 文档列表
            List<String> pdfFiles = List.of(
                    "电商知识库标准条款.docx"
            );

            List<Document> allSplitDocs = new ArrayList<>();
            for (String fileName : pdfFiles) {
                // 2. 读取单个 PDF 文档
                Resource resource = new ClassPathResource(fileName);
                TikaDocumentReader reader = new TikaDocumentReader(resource);
                List<Document> rawDocs = reader.read();

                // 3. 优化文本切分策略（适配电商规则条款化特点）
                TokenTextSplitter splitter = TokenTextSplitter.builder()
                        .withChunkSize(600)          // 每段最大 600 Token（匹配规则条款长度）
                        .withMinChunkSizeChars(200)  // 每段最小 200 字符
                        .withKeepSeparator(true)     // 保留条款分隔符
                        .build();

                // 4. 切分当前文档并添加到总列表
                List<Document> splitDocs = splitter.apply(rawDocs);
                allSplitDocs.addAll(splitDocs);
                System.out.println("已解析文档：" + fileName + "，生成 " + splitDocs.size() + " 个文本片段");
            }

            // 5. 批量向量入库（Spring AI 自动调用 EmbeddingModel 完成向量化）
            vectorStore.add(allSplitDocs);
            System.out.println("知识库初始化完成，共导入 " + allSplitDocs.size() + " 个文本片段");
        } catch (Exception e) {
            System.err.println("知识库初始化失败：" + e.getMessage());
            e.printStackTrace();
        }
    }
}

四、RAG 核心配置： Advisor 初始化

创建com.example.ecommerceservicerag.config.RAGConfig类，配置QuestionAnswerAdvisor与 RetrievalAugmentationAdvisor 等 RAG 组件，优化提示词以提取电商业务实体、提升检索精准度：

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.vectorstore.QuestionAnswerAdvisor;
import org.springframework.ai.rag.advisor.RetrievalAugmentationAdvisor;
import org.springframework.ai.rag.generation.augmentation.ContextualQueryAugmenter;
import org.springframework.ai.rag.retrieval.search.VectorStoreDocumentRetriever;
import org.springframework.ai.vectorstore.SearchRequest;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class RAGConfig {
    private final VectorStore vectorStore;

    public RAGConfig(VectorStore vectorStore) {
        this.vectorStore = vectorStore;
    }

    /**
     * 配置 QuestionAnswerAdvisor（适合精准条款查询，如具体政策匹配）
     */
    @Bean
    public QuestionAnswerAdvisor questionAnswerAdvisor() {
        return QuestionAnswerAdvisor.builder(vectorStore)
                .searchRequest(SearchRequest.builder()
                        .similarityThreshold(0.07)  // 优化阈值，适配电商规则检索
                        .topK(4)                   // 取 Top4 相似片段，提升精准度
                        .build())
                .build();
    }

    /**
     * 配置 RetrievalAugmentationAdvisor（适合复杂场景查询，如促销+退换货组合问题）
     */
    @Bean
    public RetrievalAugmentationAdvisor retrievalAugmentationAdvisor() {
        // 1. 向量检索器（配置检索参数）
        VectorStoreDocumentRetriever retriever = VectorStoreDocumentRetriever.builder()
                .vectorStore(vectorStore)
                .similarityThreshold(0.07)
                .topK(4)
                .build();

        // 查询增强器
        ContextualQueryAugmenter queryAugmenter = ContextualQueryAugmenter.builder()
		                        .allowEmptyContext(true)
                                .build();
        // 3. 构建检索增强 Advisor
        return RetrievalAugmentationAdvisor.builder()
                .documentRetriever(retriever)
                .queryAugmenter(queryAugmenter)
                .build();
    }

    /**
     * 配置 ChatClient（集成智普 AI GLM-4-Flash，适配电商客服语气）
     */
    @Bean
    public ChatClient chatClient(org.springframework.ai.chat.model.ChatModel chatModel) {
        return ChatClient.builder(chatModel)
                .defaultSystem("""
                        你是友好的电商客服顾问，仅基于提供的知识库内容回答用户问题，规则如下：
                        1. 回答需亲切、简洁、准确，符合电商客服沟通语气，避免生硬表述；
                        2. 涉及政策规则时，分点说明关键信息，让用户一目了然；
                        3. 回答末尾必须标注信息来源（格式：信息来源：[文档名称 - 相关条款类别]）；
                        4. 若未查询到相关信息，回复"非常抱歉，暂未查询到该问题的相关规则，建议联系人工客服咨询~"；
                        5. 仅回应与电商购物（退换货、促销、物流等）相关的问题，无关问题直接回复上述统一话术。
                        """)
                .build();
    }
}

五、编写控制器：提供问答接口

创建com.example.ecommerag.controller.CustomerServiceController 类，提供精准条款查询与复杂场景增强查询两种接口，适配电商客服日常咨询场景：

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.vectorstore.QuestionAnswerAdvisor;
import org.springframework.ai.rag.advisor.RetrievalAugmentationAdvisor;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import java.util.List;
import java.util.Map;
@RestController
@RequestMapping("/ecommerce/service")
public class CustomerServiceController {
    @Autowired
    private ChatClient chatClient;

    @Autowired
    private QuestionAnswerAdvisor questionAnswerAdvisor;

    @Autowired
    private RetrievalAugmentationAdvisor retrievalAugmentationAdvisor;

    /**
     * 精准条款查询接口（基于 QuestionAnswerAdvisor）
     * 适用场景：查询具体规则条款（如包邮条件、退换货时限、价保规则）
     */
    @GetMapping("/chat/precise")
    public Map<String, String> preciseChat(@RequestParam("question") String question) {
        String answer = chatClient.prompt()
                .user(question)
                .advisors(List.of(questionAnswerAdvisor))
                .call()
                .content();
        return Map.of(
                "question", question,
                "answer", answer,
                "mode", "precise（精准条款查询）"
        );
    }

    /**
     * 复杂场景增强查询接口（基于 RetrievalAugmentationAdvisor）
     * 适用场景：组合类、流程类问题（如促销期退换货、已下单改地址、VIP用户物流查询）
     */
    @GetMapping("/chat/enhanced")
    public Map<String, String> enhancedChat(@RequestParam("question") String question) {
        String answer = chatClient.prompt()
                .user(question)
                .advisors(List.of(retrievalAugmentationAdvisor))
                .call()
                .content();
        return Map.of(
                "question", question,
                "answer", answer,
                "mode", "enhanced（复杂场景增强）"
        );
    }
}

六、测试与验证

测试 1：查询具体概念（精准问答）

访问http://localhost:8083/ecommerce/service/chat/precise?question=新疆地区订单多少金额包邮？，响应结果：

{
  "question": "新疆地区订单多少金额包邮？",
  "answer": "新疆属于偏远地区，订单金额满199元可享受包邮服务，不满199元需收取20元运费哦~ 信息来源：[物流服务标准 - 包邮政策]",
  "mode": "precise（精准条款查询）"
}

测试 2：查询多步骤问题（检索增强）

访问http://localhost:8080/ecommerce/service/chat/enhanced?question=双11买的口红拆封了能退吗？我是VIP用户？，响应结果：

{
  "question": "双11买的口红拆封了能退吗？我是VIP用户？",
  "answer": "非常抱歉，根据我们的退换货政策，口红属于美妆类商品，拆封后不支持7天无理由退换。不过，作为VIP用户，您在促销期间退换货可以享受免审核和优先处理的特权。如果您确实需要退换，建议联系客服了解具体情况。信息来源：[电商知识库标准条款文档模板 - 退换货政策]",
  "mode": "enhanced（复杂场景增强）"
}

测试 3：流程类查询（未发货订单改地址）

访问http://localhost:8080/ecommerce/service/chat/enhanced?question=我刚下单还没发货，想修改收货地址可以吗？，响应结果：

{
  "question": "我刚下单还没发货，想修改收货地址可以吗？",
  "answer": "当然可以，您下单后24小时内可以通过APP修改收货地址和联系电话。如果超过24小时，需要联系客服协调，但仅支持同城市地址修改哦。信息来源：[电商知识库标准条款文档模板 - 订单修改与追踪]。",
  "mode": "enhanced（复杂场景增强）"
}

测试 4：查询无关问题（验证过滤）

访问http://localhost:8083/ecommerce/service/chat/precise?question=怎么办理信用卡？，响应结果：

{
  "question": "怎么办理信用卡？",
  "answer": "非常抱歉，暂未查询到关于如何办理信用卡的相关规则，建议联系人工客服咨询~信息来源：[电商知识库标准条款文档模板 - 退换货政策]",
  "mode": "precise（精准条款查询）"
}

测试结果表明，系统完全满足需求：能精准回答导游考试相关问题，支持不同类型的查询场景，且能过滤无关问题，符合生产级应用的要求。

七、项目扩展方向

多格式文档支持扩展支持 PDF、Excel、PPT 等格式的知识库导入，使用 Spring AI 提供的对应文档阅读器。
知识库增量更新实现知识库的新增、修改、删除功能，避免每次更新都需重启服务。
前端可视化界面开发 Web 前端，支持文档上传、问题输入、回答展示、历史记录查询等功能。
权限控制添加用户认证与授权功能，限制知识库的访问权限（如仅导游考试学员可使用）。
系统监控集成 Prometheus + Grafana，监控 Milvus 检索性能、大模型调用耗时、接口响应速度等指标。

总结

本文我们通过一个完整的导游考试知识库 RAG 系统，演示了 Spring AI 在实际业务场景中的落地流程。从需求分析、技术选型，到环境配置、知识库构建，再到核心组件开发与系统测试，每一步都围绕 “实用、稳定、高效” 的原则展开。通过该项目，我们不仅巩固了 Spring AI 的核心技术（Embedding、RAG、向量数据库集成），还掌握了从 0 到 1 构建 AI 应用的思维方式。

Spring AI 作为 Java 生态的原生生成式 AI 框架，其最大价值在于降低了 AI 技术的落地门槛，让 Java 开发者无需跨生态即可快速构建智能应用。随着大模型技术的持续演进，Spring AI 也在不断迭代升级，未来将支持更多场景、更多模型、更多功能。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2026-01-15，如有侵权请联系 cloudcommunity@tencent.com 删除

开发