在上篇中，我们完成了动态模型工厂的搭建。本篇将继续深入业务层，结合项目代码，详细拆解如何实现手动控制的 RAG (检索增强生成) 以及 SSE (Server-Sent Events) 流式接口。

本文介绍在 Spring Boot 3.5 + Spring AI 1.1.2 中通过 MCP Client 集成 Tavily 搜索的完整方案，涵盖 Maven 依赖、stdio 连接配置、ChatClient 挂载 ToolCallbackProvider 的核心代码，以及 Windows 环境下的常见踩坑与解决方式，实现配置即集成的 AI 工具调用。

ChatClient 每次请求动态构建（模型可变） → Advisor 拦截请求 → Memory 管理窗口 → Repository 全量替换 → MySQL 按 conversationId 存储排序（记忆不变）模型构建层（易变）和记忆存储层（稳定）通过解耦。ChatClient 随时可以换模型，但只要 conversationId 不变，ChatMemory 就能从 MySQL 中加载出完整

传统的 RAG（检索增强生成）系统主要依赖向量相似度检索，虽然能够找到语义相近的文档，但往往忽略了知识之间的关联关系。本系列文章将介绍如何使用 Spring AI 1.1.2 结合 Neo4j 图数据库，通过知识图谱增强 RAG 检索能力，让 AI 不仅能找到相似的知识，还能发现关联的知识。

在上篇中，我们完成了知识图谱的基础搭建：环境配置、实体模型设计、LLM 自动抽取实体，以及 Neo4j 的部署。本篇将介绍如何利用构建好的知识图谱进行检索，并整合到 RAG 流程中，实现知识图谱增强的智能问答系统。

本文介绍了在Spring Boot项目中实现WebSocket实时推送的完整方案。通过HTTP获取初始数据，WebSocket推送增量变化，实现高效实时通信。后端配置WebSocket消息代理，集成JWT鉴权确保连接安全，前端封装Stomp客户端简化调用。该方案解决了传统轮询的性能和延迟问题，适用于通知、待办、未读数等实时场景。

摘要 本文介绍了在Spring Boot项目中实现带来源引用的RAG智能问答系统的完整方案。系统采用知识入库→向量检索→来源收集→模板填充→流式回答→前端渲染的核心流程，通过埋入元数据实现知识溯源。后端实现包括来源数据结构定义、流式结果封装、知识入库时嵌入来源元数据以及核心检索与来源收集逻辑。该系统支持文本和文件两种知识类型，通过SSE推送流式回答和来源列表，前端可展示引用来源并查看原文，提升回答

摘要 本文介绍了在Spring Boot项目中实现带来源引用的RAG智能问答系统的完整方案。系统采用知识入库→向量检索→来源收集→模板填充→流式回答→前端渲染的核心流程，通过埋入元数据实现知识溯源。后端实现包括来源数据结构定义、流式结果封装、知识入库时嵌入来源元数据以及核心检索与来源收集逻辑。该系统支持文本和文件两种知识类型，通过SSE推送流式回答和来源列表，前端可展示引用来源并查看原文，提升回答

摘要 本文介绍了在Spring Boot项目中实现带来源引用的RAG智能问答系统的完整方案。系统采用知识入库→向量检索→来源收集→模板填充→流式回答→前端渲染的核心流程，通过埋入元数据实现知识溯源。后端实现包括来源数据结构定义、流式结果封装、知识入库时嵌入来源元数据以及核心检索与来源收集逻辑。该系统支持文本和文件两种知识类型，通过SSE推送流式回答和来源列表，前端可展示引用来源并查看原文，提升回答

在上篇中，我们完成了知识图谱的基础搭建：环境配置、实体模型设计、LLM 自动抽取实体，以及 Neo4j 的部署。本篇将介绍如何利用构建好的知识图谱进行检索，并整合到 RAG 流程中，实现知识图谱增强的智能问答系统。