企业官网建设流程全解析

一、项目愿景：我们的 Agent 能做什么？

传统的客服机器人是“人工智障”，只会关键词匹配。我们要做的 Agent 具备以下能力：

1. 闲聊能力：基于通义千问，像真人一样对话。

2. 企业知识库 (RAG)：用户问“运费怎么算”、“怎么退货”时，它能查阅我们上传的 PDF 文档回答（大模型本身不知道这些私有规定）。

3. 办事能力 (Function Calling)：用户问“我的订单 8888 发货了吗”时，它能自动调用 Java 代码去查数据库，而不是瞎编。

二、核心架构与技术栈

• 框架：Spring Boot 3.2+

• AI 核心：Spring AI Alibaba (适配通义千问 Qwen-Max)

• 向量数据库：DashVector (用于 RAG 存储知识)

• JDK：Java 17+

依赖引入 (pom.xml)

<dependency> <groupId>com.alibaba.cloud.ai</groupId> <artifactId>spring-ai-alibaba-starter</artifactId> <version>1.0.0-M3.1</version> <!-- 请使用最新版本 --> </dependency> <!-- 如果需要 RAG，引入 DashVector --> <dependency> <groupId>com.alibaba.cloud.ai</groupId> <artifactId>spring-ai-alibaba-starter-dashvector</artifactId> </dependency>

配置 application.yml：

spring: ai: dashscope: api-key: ${AI_API_KEY} # 你的阿里云通义千问 Key dashvector: api-key: ${VECTOR_KEY} # 向量数据库 Key endpoint: ${VECTOR_ENDPOINT}

三、第一招：构建“大脑” (ChatClient)

Spring AI 提供了一个极其强大的流式接口 ChatClient。在 Spring AI Alibaba 中，底层自动对接了 TongYiChatModel。

我们需要配置一个全局的 ChatClient：

@Configuration public class AiConfig { @Bean public ChatClient chatClient(ChatClient.Builder builder) { return builder .defaultSystem("你是一个专业的电商客服助手，名字叫'小E'。语气要亲切，多用emoji。") .build(); } }

四、第二招：给大脑装上“外脑” (RAG 知识库)

痛点：通义千问不知道你们公司的“七天无理由退货细则”。
解法：使用 RAG（检索增强生成）。

1. 知识入库 (ETL)

我们需要一个接口，把公司的 PDF/TXT 政策文档读取出来，向量化后存入 DashVector。

@RestController @RequestMapping("/knowledge") public class KnowledgeController { @Autowired private VectorStore vectorStore; // 自动注入 Alibaba DashVector 实现 @PostMapping("/load") public String loadKnowledge() { // 1. 读取本地文档 Resource resource = new ClassPathResource("refund_policy.txt"); DocumentReader reader = new TextReader(resource); // 2. 切块 (TokenTextSplitter) TokenTextSplitter splitter = new TokenTextSplitter(); List<Document> documents = splitter.apply(reader.get()); // 3. 存入向量数据库 (Spring AI Alibaba 会自动调用通义 Embeddings 模型进行向量化) vectorStore.add(documents); return "知识库加载完成！"; } }

2. 对话时检索 (Retrieval)

这里我们使用 Spring AI 的神技QuestionAnswerAdvisor。它能自动拦截用户的提问，去向量库查资料，把资料塞给大模型。

五、第三招：给大脑装上“双手” (Function Calling)

痛点：用户问“订单 1001 到了吗？”，大模型无法访问你的数据库。
解法：Function Calling（工具调用）。

1. 定义本地 Java 工具

我们定义一个普通的 Java Function，用来查订单。

codeJava

@Configuration public class ToolsConfig { @Bean @Description("根据订单ID查询订单的物流状态和详情") // 这里的描述非常关键，大模型靠它决定是否调用 public Function<OrderQueryRequest, OrderQueryResponse> orderQueryTool() { return request -> { // 模拟查询数据库 System.out.println("正在查询订单系统: " + request.orderId()); if ("1001".equals(request.orderId())) { return new OrderQueryResponse("1001", "已发货", "顺丰快递"); } return new OrderQueryResponse(request.orderId(), "不存在", "无"); }; } // Request 和 Response 的 Record 定义省略 }

Spring AI Alibaba 能够识别这个 Bean，并将这个函数的签名（Signature）发送给通义千问。

六、终极整合：智能客服接口

现在，我们把对话、RAG、Tools结合在一个接口里。

codeJava

@RestController @RequestMapping("/chat") public class ChatController { private final ChatClient chatClient; private final VectorStore vectorStore; public ChatController(ChatClient.Builder builder, VectorStore vectorStore) { // 关键构建步骤 this.chatClient = builder // 1. 挂载 RAG 能力：自动去向量库搜索相关上下文 .defaultAdvisors(new QuestionAnswerAdvisor(vectorStore, SearchRequest.defaults())) // 2. 挂载 Tools 能力：允许模型调用名为 'orderQueryTool' 的函数 .defaultFunctions("orderQueryTool") .build(); } @GetMapping public String chat(@RequestParam String prompt) { return chatClient.prompt() .user(prompt) .call() .content(); } }

七、 效果实测

让我们看看这个 Agent 是如何工作的：

场景一：咨询政策 (触发 RAG)

用户：“你们的退货运费谁出？”
系统后台逻辑：

1. 用户提问。

2. QuestionAnswerAdvisor 拦截，去 DashVector 搜索“退货运费”相关片段。

3. 搜到文档片段：“...非质量问题退货运费由买家承担...”。

4. 将文档片段 + 用户问题发给通义千问。
   AI 回复：“亲亲 😽，根据我们的规定，如果是非质量问题导致的退货，运费需要您自己承担哦~如果是质量问题，我们包运费！”

场景二：查询业务 (触发 Function Calling)

用户：“帮我查下订单 1001 发货没？”
系统后台逻辑：

1. 通义千问分析语义，发现用户意图是“查订单”，且参数是 1001。

2. 通义千问暂停生成，向 Spring AI 发出指令：“请调用 orderQueryTool，参数 {orderId: '1001'}”。

3. Spring AI 自动执行我们写的 orderQueryTool Java 方法。

4. Java 方法返回：{status: "已发货", carrier: "顺丰"}。

5. 结果回传给通义千问。
   AI 回复：“查到了！您的订单 1001 已经发货啦 🚚，使用的是顺丰快递，请耐心等待哦！”

八、总结：用到了什么能力？

在这个实战项目中，我们深度利用了Spring AI Alibaba的以下核心优势：

1. 统一的 API 抽象：我们完全不需要学习阿里云 DashScope 原生 SDK 的复杂 JSON 结构，只用写标准的 Java 代码。

2. DashVectorStore 集成：一行代码注入，自动实现 Embedding 和向量存储，解决了 RAG 链路中最麻烦的数据处理环节。

3. Qwen Function Calling 适配：让大模型与 Java 业务代码无缝连接。这对于企业级应用至关重要，因为AI 必须落地到业务系统（ERP/CRM）中才有价值。

4. Advisors 机制：利用 QuestionAnswerAdvisor 优雅地实现了 RAG 逻辑的封装，避免了 Controller 层代码臃肿。