Spring Boot 3+Spring AI 打造旅游智能体！集成阿里云通义千问，多轮对话 + 搜索 + PDF 生成撑全流程
项目介绍
随着人工智能技术的发展，特别是大型语言模型（LLM）的出现，为构建智能对话系统提供了新的可能。然而，单纯依靠LLM存在知识时效性、工具使用能力和上下文管理等问题。本项目旨在解决这些痛点，构建一个能够自主思考、规划和行动的智能体系统，为旅游领域提供全方位的智能服务。本项目是一个面向旅游领域的智能助手系统，通过整合大型语言模型（如阿里云通义千问）、知识检索增强、工具调用和多轮对话管理，为用户提供沉浸式的旅游规划和咨询体验。系统不仅能够回答旅游相关问题，还能主动调用各种工具（如网页搜索、PDF生成、文件操作等）来完成复杂任务，实现真正的智能代理功能。
项目亮点
1. 智能体架构
通过抽象基础代理类和实现ReAct模式，构建了一个能够自主思考和行动的智能体系统。
2. 工具调用系统的灵活设计
工具调用系统采用了统一的注册和调用机制，每个工具都实现了标准接口，并通过ToolRegistration进行统一管理。
3. 高性能的RAG实现
在RAG系统设计中，我采用了PostgreSQL+pgvector作为向量数据库，相比纯内存向量数据库，这种方案在大规模数据集上表现更加稳定，且支持持久化存储。
4. 流式响应机制
基于SSE（Server-Sent Events）的流式响应机制，使得用户可以实时看到智能体的思考和行动过程，而不需要等待整个任务完成。
系统架构设计
采用了模块化、分层的架构设计，确保系统的可扩展性和可维护性。
API层
负责处理HTTP请求，提供RESTful API接口
服务层
实现业务逻辑，协调各组件工作
智能体层
核心AI代理层，实现思考-行动循环
大语言模型
提供自然语言理解和生成能力
工具调用
扩展智能体能力的各种工具
知识检索增强
通过向量数据库增强模型回答质量
会话记忆
管理多轮对话上下文
技术栈
后端技术
Spring Boot 3.5.0、Spring AI 1.0.0、
阿里云通义千问 (Qwen-Plus)、PostgreSQL
Pgvector、Redis、MyBatis-Plus 3.5.12
Knife4j 4.5.0 (基于OpenAPI 3)、
Hutool 5.8.37、Lombok 1.18.38
iText 9.1.0、Jsoup 1.19.1
前端技术
Vue.js/React、
Element-Plus/Ant Design
Axios、Pinia/Redux
核心功能
后端
1. 智能体系统 (Agent)
智能体是系统的核心，采用了ReAct（Reasoning and Acting）模式，通过"思考-行动"的循环来解决复杂问题。
2. 工具调用系统 (Tools)
工具调用系统扩展了智能体的能力边界，使其能够与外部世界交互。
3. RAG知识增强系统 (RAG)
RAG系统通过检索相关知识来增强模型回答，特别适合处理专业领域问题。
向量存储：使用PostgreSQL+pgvector存储文档向量
文档处理：支持多种格式文档的处理和分块
检索器：基于语义相似度检索相关文档片段
嵌入模型：将文本转换为向量表示
4. 对话管理系统
会话状态管理：跟踪和维护对话状态
上下文记忆：使用Redis存储短期记忆
多轮对话支持：维护连贯的对话体验
5. API接口系统
AgentController：智能体交互接口
AppController：应用核心功能接口
RagController：知识检索相关接口
前端
AI 聊天界面
通过响应式聊天界面与 AI 智能体交互
知识库管理
查看和管理 AI 使用的知识
设置与配置
自定义 AI 智能体的行为
用户认证
安全的登录系统
安装部署
1. 后端安装
环境要求
JDK 21+、Maven 3.8+、Redis 6+
PostgreSQL 14+（已安装pgvector扩展）
克隆仓库
git clone ai-agent.gitcd ai-agent
配置环境变量
创建 .env 文件并配置以下环境变量：
AI_DASHSCOPE_API_KEY=your_dashscope_api_keySEARCH_API_KEY=your_search_api_key
编译项目
mvn clean package运行应用
java -jar target/ai-agent-0.0.1-SNAPSHOT.jar2. 前端安装
npm install开发服务器
npm run dev生产构建
npm run buildUI展示
