本文将带你一步步实现一个完整的文档处理流水线（ETL），利用 Spring AI 框架从本地 Markdown 文件中提取内容，通过通义千问的嵌入模型 text-embedding-v4 生成向量，并最终将带有丰富元数据的文档存储到高性能向量数据库 Milvus 中。整个流程简洁高效，适用于构建知识库、智能问答系统等 AI 应用。

ChatMemoryChatMemoryprivate static final String DEFAULT_PROMPT = "你是一个博学的智能聊天助手，请根据用户提问回答！@Bean// 使用我们自定义的服务理解了ChatMemory的核心作用：解决 LLM 无状态问题。掌握了其分层设计原理ChatMemory→Repository的清晰架构。实现了高性能双层缓存：通过自定义ChatMem

摘要：本文介绍了基于SpringAI构建检索增强生成(RAG)系统的完整流程。系统通过LLM提取问题关键词进行元数据过滤，结合向量检索提升精度，整合文档摘要构建增强上下文，并支持工具调用和记忆功能。代码展示了关键词提取、向量检索、上下文构建和流式响应的关键实现步骤，相比传统RAG显著提高了回答准确性和相关性。

JVM运行时数据区包含方法区（存储类信息、常量等）、堆（对象实例存储区）、程序计数器（线程私有字节码指示器）、虚拟机栈（方法执行模型）和本地方法栈。其中方法区在不同JDK版本有永久代和元空间两种实现，堆分为新生代和老年代。程序计数器是唯一不会OOM的区域，其他区域在内存不足时可能抛出OutOfMemoryError或StackOverflowError。文章还提供了元空间配置建议和常见问题解决方案