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。

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。

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

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。

面对繁杂的文档格式（PDF、Markdown、JSON、TXT等），如何优雅地进行统一解析与向量化？本文旨在通过 **Spring AI** 结合 **策略模式 (Strategy Pattern)**，构建一套高扩展性的文档解析引擎。我们将深入代码细节，从零打造包含**类型分发、内容抽取、文本切片 (Chunking) 到 向量入库**的完整 ETL 流水线，为构建高效的 RAG 本地知识库提供

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。

在企业级 AI 开发中，单一模型往往难以适应多变的业务需求。本文将介绍如何基于 Spring AI 框架，构建一个支持动态切换底层模型（如 OpenAI、DeepSeek）、可配置参数（如温度、TopK）以及自定义角色人设的通用 AI 服务架构。我们将从数据库设计出发，深入讲解策略模式与工厂模式在 AI 中台建设中的实际应用。

本文介绍了基于SpringBoot和DeepSeek构建企业知识库的方法，通过向量数据库和检索增强生成(RAG)技术实现智能问答。主要内容包括：1) 配置嵌入模型(Qwen)生成文本向量；2) 使用内存存储会话历史和向量数据；3) 通过ChatClient配置系统提示词和顾问拦截器；4) 模拟知识库数据加载；5) 集成QuestionAnswerAdvisor实现知识库检索功能。该方法可扩展为实际

摘要：本文介绍了如何使用Spring AI框架集成DeepSeek大模型服务实现聊天功能。文章详细说明了环境准备、依赖配置、API密钥获取等步骤，并演示了简单对话和流式输出两种实现方式。特别讲解了如何通过ChatMemory实现对话记忆功能，让AI记住上下文信息。最后提出了角色预设和多用户隔离等思考问题，并提供了完整代码仓库地址。该方案可应用于智能客服、订单处理等企业级业务场景。