SpringAI聊天记忆持久化：MySQL+向量存储RedisStack与RAG实践

几个核心判断先行：这个基于 Spring AI 框架开发的智能聊天系统，远不止一个 Demo，而是将 RAG（检索增强生成）、向量数据库、聊天记忆持久化、流式输出以及工具调用等生产级关键模块完整串联起来。整个项目的技术栈选型逻辑清晰，底层以 Spring Boot 3.x 和 Java 17 为骨架，上层 AI 交互统一由 Spring AI 框架治理。

接下来，从后端核心技术栈切入，逐层拆解整个系统的设计逻辑。

后端核心技术

1. 框架与基础设施

• Spring Boot 3.x：无可争议的主框架，充当项目的基础设施。
• Spring AI：核心角色，负责将AI能力无缝融入Spring生态。
• Java 17：开发语言的基础版本，兼具稳定性与现代化特性。
• Maven：项目管理和构建工具，标准配置。

2. AI 相关技术

• Spring AI ChatClient：AI聊天的核心客户端。
• OpenAI 兼容 API：意味着不绑定单一模型，通义千问、DeepSeek 等均可灵活接入。
• RAG (检索增强生成)：确保模型回答时能“翻阅知识库查证”，而非依赖幻觉。
• Vector Store (Redis)：知识库存储方案，利用 Redis 的向量能力。
• MCP (模型上下文协议)：标准化模型与外部工具的交互方式。

3. 数据存储

• MySQL 8.0：关系型数据库，存储结构化数据，如聊天记录与用户信息。
• Redis Stack：同时扮演向量数据库和缓存角色。
• MyBatis Plus：ORM 框架，简化数据库操作。
• Druid：数据库连接池，兼顾性能与监控。

4. 工具集成

• 百度地图 API：提供地理位置和天气查询能力。
• Hutool：Java 通用工具库，大幅提升编码效率。
• Lombok：减少样板代码，使代码更简洁。

系统架构

核心组件

1. 聊天控制器（RagController）

这是系统的入口，一个标准的 REST 控制器。它协调流式响应、RAG 知识库检索、聊天记忆管理和工具调用。简单理解，它就是 AI 功能的中央调度室。

2. 聊天记忆存储（MySQLChatMemory）

实现思路非常务实：继承 ChatMemory 接口，将对话历史持久化到 MySQL。核心好处是用户离线后历史记录不丢失，下次回来可继续对话。同时支持多会话隔离，不同用户的对话相互独立存储。

3. LLM 配置（LLMConfig）

配置类，目的是让系统能同时接入并切换不同 AI 模型，例如 DeepSeek V3 和通义千问的 Plus/Max 版本。这种“模型工厂”设计为后续模型升级与切换提供了极大灵活性。

核心实现原理

1. RAG 实现流程

用户提问后，流程如下：将问题向量化，到 Redis 向量数据库中检索最相关的知识片段；将这些片段拼接进提示词，形成“查过资料”的问题；大语言模型基于增强后的信息生成回答，并通过流式方式返回。核心代码紧凑，几行代码便串联起记忆、RAG 检索和工具调用。

2. 聊天记忆机制

记忆存储在 chat_message 表中，核心字段包括 conversation_id（会话 ID）、role（用户或 AI）和 context（聊天内容）。每个会话独立存储，系统自动限制每条会话的历史记录上限（20条），避免上下文过长造成模型偏

3. 向量数据库集成

Redis Stack 配置相对简洁，核心是开启 schema 自动初始化并指定索引名称。它自动将文档转为向量，并在检索时进行相似度匹配。得益于 Redis 的高性能，向量检索速度有保障。

4. 工具调用系统

采用 MCP 协议集成百度地图。通过配置 mcp-server.json，系统能调用本地 Node.js 命令执行百度地图 API。当前支持的工具有天气查询、位置服务和路线规划。该架构设计意味着可按相同方式接入任何其他外部工具。

API 接口设计

主要接口

1. RAG 聊天接口

GET /exam/rag4aiops/{question}/{sessionID}

该接口接收用户问题（需 URL 编码）和会话 ID。返回方式使用 Server-Sent Events 流式响应，用户无需等待完整回答生成，模型每“思考”一步，答案即实时推送至前端，体验极佳。

2. 简单聊天接口

GET /exam/mcp?msg={message}

轻量级接口，不携带记忆，适用于“问完即忘”的单次查询场景。

部署配置

环境要求

基础环境：Java 17+、Maven 3.6+、MySQL 8.0+ 和 Redis Stack 7.0+。AI 服务需要通义千问的 API Key，以及可选的百度地图 API Key。

启动步骤

分三步：首先，在 MySQL 中创建数据库并建好 chat_message 表；其次，通过 Docker 启动 Redis Stack 服务，映射端口 6381；最后，执行 mvn spring-boot:run 一键启动应用。

性能优化

流式响应方面，利用 Reactor 响应式编程能力支持背压处理，有效降低内存占用。向量检索方面，通过优化 Redis 索引和批量检索策略提升速度。聊天记忆方面，除限制历史记录数量外，还采用异步写入和定期清理过期数据策略，防止数据库过度膨胀。

来源：互联网