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

2026-05-29阅读 0热度 0

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。