面向企业内部场景搭建的基于 ReAct 模式的智能对话知识库助手。我主要负责后端整体模块开发，完成会话管理、知识库检索、工具调用等核心业务逻辑，保障服务稳定性。

项目背景与目标

企业内部知识散落在各类文档中，直接问通用大模型会「一本正经地胡说八道」。项目的目标是把企业知识变成「有问必答、有据可查」的智能助手，并让 AI 能自主完成文件操作、网页抓取等复杂任务。

  • 多轮对话记忆可持久化：服务重启后会话上下文不丢失。
  • 检索增强与精准度优化：召回率由约 65% 提升至 85% 左右，无效检索减少约 30%。
  • 工具调用：基于 ReAct 模式让 AI 自主调用文件操作、网页抓取、资源下载、PDF 生成等工具。

技术架构与选型思考

整体采用 ReAct 模式：模型根据用户问题推理后选择行动（检索 / 调工具），观察结果后继续推理直至给出答案。基于 Spring AI 生态构建，让模型调用、向量库接入与工具注册保持在同一条 Java 技术栈内。

  • 对话层：Advisor 机制实现上下文记忆，自主设计文件系统 + Kryo 序列化的 ChatMemory 持久化方案。
  • 检索层：自定义 VectorStore + PGVector 存储语义向量，通过相似度阈值过滤、多查询扩展与查询重写优化检索链路。
  • 工具层：基于 @Tool 注解封装文件操作、网页抓取、资源下载、PDF 生成等工具，集成 SearchAPI 支持联网搜索。

核心难点与解决方案

难点一：多轮对话记忆持久化

服务重启后 AI 会话记忆丢失，多轮对话上下文难以保持。基于 Advisor 机制实现上下文记忆，并自主设计文件系统 + Kryo 序列化的 ChatMemory 持久化方案，实现服务重启后记忆可恢复、多轮对话上下文稳定保持，提升对话连续性。

难点二：检索召回率低、无效结果多

知识库检索召回率低、无效结果多。自定义 VectorStore + PGVector 存储语义向量，通过相似度阈值过滤、多查询扩展与查询重写优化检索链路，检索召回率由约 65% 提升至 85% 左右，无效检索减少约 30%。

难点三：AI 无法自主完成复杂任务

AI 无法自主完成文件操作、资源获取等复杂任务。基于 @Tool 注解封装文件操作、网页抓取、资源下载、PDF 生成等工具，集成 SearchAPI 支持联网搜索，扩展 AI 自主完成复杂任务的能力，减少人工介入。

项目成果与个人收获

  1. 检索召回率由约 65% 提升至 85% 左右，无效检索减少约 30%。
  2. 服务重启后多轮对话记忆可恢复，上下文稳定保持。
  3. 收获：完整走通 RAG 与 ReAct 智能体的工程链路，深入理解了记忆持久化设计与检索质量优化。

相关链接

项目面向企业内部场景，源码与演示地址暂不对外公开。