AI智能助手系统技术架构详解：基于Spring AI与MCP RAG技术栈-171主机测评

AI智能助手系统技术架构详解：基于Spring AI与MCP RAG技术栈

技术背景与项目概述

随着大模型技术的快速发展，AI应用正从单一功能向综合性智能助手演进。然而，当前AI系统面临着模型碎片化、知识时效性、准确性不足等挑战。为解决这些问题，我们设计并实现了基于Spring AI、MCP协议和RAG技术的AI智能助手系统，旨在提供统一、高效、准确的AI服务体验。

本系统采用前后端分离架构，集成多种AI模型能力，支持本地和云端模型部署，实现了智能聊天、文档智能处理、任务管理等核心功能。本文将深入解析系统的技术架构、核心功能实现以及关键技术点。
项目地址：https://github.com/lxs211/aiassistant

核心功能实现

在这里插入图片描述

智能聊天模块

智能聊天模块实现了自然语言对话功能，支持多轮对话上下文管理和流式响应。

技术实现要点：

对话上下文管理：基于MySQL实现对话历史持久化存储，支持多轮对话上下文关联
流式响应：采用Spring WebFlux实现异步非阻塞流式响应，提升用户体验
多模型支持：通过Spring AI统一接口，支持OpenAI API和Ollama本地模型切换
模型切换机制：基于配置驱动的模型切换，无需重启系统即可更换AI模型

关键代码示例：

// 基于Spring AI的聊天接口调用
this.client=chatClientBuilder
.defaultSystem(
"你是一款高度合规、精准可靠的智能助手，专为用户 {current_username} 提供服务，当前日期为 {current_date}。所有回复必须严格遵循以下约束规则，无任何例外情况：\\n\\n" +
"核心响应规范（最高优先级）\\n" +
"1. 基于上下文文档的回答：仅总结或转述文档内的既有内容，严禁引入任何外部知识、主观推测或额外信息；回复结尾必须标注：「（信息来自您的文档）」。\\n" +
"2. 基于 MCP 工具调用的回答：直接原样返回工具输出结果，不做任何解释、润色、格式调整或内容修改；回复结尾必须标注：「（信息来自 MCP 工具）」。\\n" +
"3. 无文档无工具支持的情况：仅返回固定语句，无任何附加内容：「我无法从您提供的文档中找到相关信息。」\\n\\n" +
"内容真实性强制要求 \\n" +
"- 不得编造、联想或假设用户未明确提及的信息；\\n" +
"- MCP 工具返回结果无论存在错别字、格式问题，均需原样呈现，严禁修改。\\n\\n" +
"语言风格标准 \\n" +
"- 全程使用简体中文，表述简洁、专业、逻辑清晰；\\n" +
"- 禁用 “你好”“请问”“可能”“大概”“或许” 等寒暄或模糊性词汇。\\n\\n" +
"MCP 任务创建专属规则 \\n" +
"- 调用 MCP 工具创建任务时，仅限选择 4 个固定类别：work、personal、family、important；\\n" +
"- 需根据用户实际场景精准匹配类别，不得新增、修改或简写类别名称。\\n\\n" +
"最终准则 \\n" +
"你是受控的信息代理，非通用聊天机器人。所有回复必须恪守上述规则，宁可不答，绝不违规。"
)
.defaultAdvisors(new PromptChatMemoryAdvisor(chatMemory))
.defaultTools(tools)
.build();

文档智能处理模块

文档智能处理模块基于RAG技术实现，解决了大模型知识时效性和准确性问题。

技术架构：

文档解析层：基于Spring AI Tika实现多种格式文档解析

内容处理层：实现文档内容分割、清洗和结构化处理

嵌入生成层：使用Ollama embeddinggemma模型生成文本向量

向量存储层：基于Chroma向量数据库实现向量存储和检索

检索增强层：实现基于向量相似度的文档片段检索

生成层：结合检索结果和大模型生成最终回答

RAG流程实现：

文档上传后，系统自动触发解析和向量化流程
用户查询时，先将查询转换为向量，再进行相似度检索
检索到的相关文档片段作为上下文，输入大模型生成回答

任务管理模块

任务管理模块实现了任务的创建、执行和跟踪功能。

技术实现：

基于MySQL实现任务数据持久化
集成Quartz实现定时任务调度
支持任务状态实时更新和邮件通知
提供REST API接口，支持前端任务管理界面

核心特性：

支持多种任务类型定义
任务执行状态可监控
支持任务依赖关系配置
集成邮件通知机制

技术架构设计

系统架构 overview

本系统采用前后端分离架构，主要分为以下几层：

前端层：基于Vue 3 + Vite构建，提供用户交互界面

API网关层：处理请求路由、认证授权和流量控制

业务逻辑层：实现核心业务功能，包括聊天、文档处理、任务管理等

AI服务层：基于Spring AI实现AI模型调用和管理

数据存储层：包括MySQL关系数据库和Chroma向量数据库
在这里插入图片描述

Spring AI核心框架

Spring AI是系统AI能力集成的核心框架，它提供了统一的AI模型调用接口和抽象。

Spring AI主要组件：

ChatClient：统一的聊天模型调用接口
EmbeddingClient：统一的嵌入生成接口
VectorStore：统一的向量存储和检索接口
PromptTemplate：提示词模板管理
OutputParser：AI输出解析

Spring AI的技术优势：

统一的API设计，简化多模型集成复杂度
内置支持流式响应，提升用户体验
与Spring生态无缝集成，便于系统扩展
支持多种AI模型和服务提供商

MCP协议集成

MCP（Model Context Protocol）是一种用于AI模型标准化通信的协议，本系统通过Spring AI MCP集成实现了对MCP协议的支持。该助手采用了本地Tools工具和远程MCP server调用两种。

MCP协议的技术特点：

基于JSON-RPC 2.0的通信协议
支持模型上下文管理
提供标准化的模型调用接口
支持动态模型加载和卸载

MCP配置示例：

{
"mcpServers": {
"amap-maps": {
"command": "npx.cmd",
"args": ["-y", "@amap/amap-maps-mcp-server"],
"env": {
"AMAP_MAPS_API_KEY": "your-api-key"
}
}
}
}

RAG技术实现

RAG（Retrieval-Augmented Generation）是本系统的核心技术之一，它结合了信息检索和生成式AI，解决了大模型知识时效性和准确性问题。

RAG技术架构：

文档预处理：

基于Spring AI Tika实现多种格式文档解析
文档内容分割（chunk size: 1000 tokens, overlap: 200 tokens）
内容清洗和结构化处理

嵌入生成：

使用Ollama embeddinggemma模型生成文本向量
向量维度：768
生成策略：批量生成，异步处理

向量存储：

基于Chroma向量数据库实现向量存储，chroma:0.4.24版本
支持向量相似度查询（cosine similarity）
支持向量索引优化

检索增强生成：

用户查询向量化
向量相似度匹配，检索top-k相关文档片段
将检索结果作为上下文，输入大模型生成回答
实现基于文档引用的回答溯源

RAG系统优化点：

文档分割策略优化，提高检索准确性
向量索引优化，提升检索速度
检索结果排序算法优化
上下文长度管理，避免超出模型上下文窗口

安全架构设计

系统采用了多层次的安全架构设计，确保系统的安全性和可靠性。

认证授权：

基于JWT的无状态认证
角色-based权限控制
API接口访问控制

数据安全：

敏感数据加密存储
传输过程HTTPS加密
数据访问审计日志

接口防护：

接口限流
SQL注入防护
XSS攻击防护
CSRF攻击防护

部署与配置

环境要求

组件版本要求用途

Java	17+	后端运行环境
Node.js	16+	前端构建环境
MySQL	8.0+	关系型数据库
Ollama	0.1.0+	本地大模型部署（可选）
Chroma	0.4.0+	向量数据库

前端部署

# 进入前端目录
cd aiassiant_front

# 安装依赖
npm install

# 启动开发服务器
npm run dev

# 构建生产版本
npm run build

# 预览生产版本
npm run preview

后端部署

# 进入后端目录
cd aiassistant

# 编译打包
mvn clean package

# 运行应用
java -jar target/aiassistant-0.0.1-SNAPSHOT.jar

核心配置项

数据库配置：

spring:
datasource:
driver-class-name: com.mysql.cj.jdbc.Driver
url: jdbc:mysql://localhost:3306/rag?useSSL=false&serverTimezone=Asia/Shanghai
username: root
password: 123456

AI模型配置：

spring:
ai:
# OpenAI配置
openai:
base-url: https://dashscope.aliyuncs.com/compatible–mode
api-key: your–api–key
chat:
enabled: true
options:
model: qwen–flash
embedding:
enabled: false

# Ollama配置
ollama:
base-url: http://localhost:11434
embedding:
model: embeddinggemma
enabled: true
chat:
enabled: false

# 向量数据库配置
vectorstore:
chroma:
client:
host: http://localhost:8000
port: 8000
store:
collection-name: SpringAiCollection

模型切换机制

系统支持基于配置的模型动态切换，无需重启系统即可更换AI模型。通过修改application.yml中的enabled属性，可以实现不同模型的切换：

spring:
ai:
openai:
chat:
enabled: true # 启用OpenAI模型
ollama:
chat:
enabled: false # 禁用Ollama模型

应用场景与案例

企业办公领域

智能文档检索系统：

背景：某大型企业拥有数万份合同、文档和报告，员工查找信息困难
解决方案：部署AI智能助手系统，实现文档自动向量化和智能检索
效果：信息检索效率提升80%，员工查找信息时间从小时级缩短到分钟级

智能客服平台：

背景：企业内部IT支持团队每天处理大量重复问题
解决方案：基于AI助手系统构建内部智能客服
效果：自动化处理70%的常见问题，IT团队可专注于复杂问题解决

结语

基于Spring AI、MCP协议和RAG技术的AI智能助手系统，为解决当前AI应用面临的模型碎片化、知识时效性和准确性问题提供了有效的解决方案。

本系统采用模块化设计，具有良好的扩展性和可维护性，能够适应不同场景的需求。通过实际案例验证，系统在企业办公、教育和软件开发等领域都能发挥重要作用，显著提升工作效率。

未来，随着AI技术的不断发展和普及，AI智能助手系统将在更多领域得到应用。我们将继续优化系统架构，提升性能，探索新的应用场景，为用户提供更好的AI服务体验。

发布日期：2026-01-16
技术栈：Spring AI、MCP、RAG、Vue 3、Java 17

AI智能助手系统技术架构详解：基于Spring AI与MCP RAG技术栈