Spring Security Remember-Me 机制解析 Spring Security 的 Remember-Me 功能提供两种实现方式：简单哈希和持久化令牌。简单哈希方式无需服务器存储，通过用户名、密码和密钥生成令牌，但安全性较低且无法撤销。持久化令牌方式将令牌信息存储在数据库，采用系列标识符和随机令牌值，支持令牌轮换和主动撤销，安全性更高。

Spring Security 中默认用户名密码登录是一个非常核心的安全流程，理解它对于自定义和扩展 Spring Security 至关重要。整个认证流程可以比作一个精密的安检系统，涉及多个组件协同工作。我们将按照请求的处理顺序，逐一解析每个关键组件的角色和逻辑。(必须):@Bean// 内存中的用户，实际应从数据库加载.build();(必须):@BeanSpring Security 的默认

是 Spring Security 中用于配置 Web 层安全的核心类，可以把它理解为整个安全过滤器链的“总设计师”和“建造指挥”。我们日常编写的等配置，本质上都是在与这个“总设计师”交互，指挥它如何组装和配置最终的安全防线——。: 是一个建筑总包公司。它不直接砌砖，但它拥有所有施工队（）的名单和联系方式，并持有所有建筑材料（）的仓库钥匙。: 是各个专业施工队（如水电队、泥工队、油漆队）。每个施工

Spring Security 核心组件包括 DelegatingFilterProxy（Servlet 过滤器代理）、FilterChainProxy（核心过滤器）、SecurityFilterChain（过滤器链抽象）以及配置构建器 WebSecurity 和 HttpSecurity。@EnableWebSecurity 注解启动配置流程，通过 WebSecurity 创建 FilterCh

ChatModel：与大语言模型对话的抽象，负责发送提示词并获取回复：将文本转换为向量表示的抽象，用于语义搜索和相似度计算：向量数据库的抽象，用于存储和检索向量数据一句话总结ChatModel负责"说"，负责"理解"，负责"记忆"——三者构成了 AI 应用的基础设施。Embedding 是将文本（单词、句子、文档）映射到高维向量空间的技术。语义相近的文本在向量空间中的距离也更近。ChatModel

对话补全，支持 GPT-4o、GPT-4、GPT-3.5 等模型：文本向量化，支持 text-embedding-3-small/large：图片生成，支持 DALL-E 系列模型：语音转文字，支持 Whisper 模型：函数调用，让 AI 可以调用外部工具一句话总结：Spring AI 将 OpenAI 的 REST API 封装为优雅的 Java 接口，使开发者可以用 Spring 的方式调用

当我们在项目中引入加载自动配置类：通过或发现配置类条件装配：根据 Classpath 中的依赖和配置属性决定是否创建Bean创建核心客户端：初始化客户端创建 Model Bean：构建等核心Bean注入高阶 API：构建供开发者使用Spring AI 的自动配置入口是条件装配 通过等注解实现灵活控制OpenAiApi 是对 OpenAI REST API 的 HTTP 客户端封装，使用 Sprin

的 upsert 语义——如果 Document 的 id 已存在，就覆盖。这个设计我在做增量更新时用到过：从数据库里读一批数据做 Embedding，如果文档内容变了，覆盖旧的向量就行，不需要先删再插。HNSW 的查询速度和精度都更好，虽然建索引慢一点，但建完之后优势明显。如果你的数据量很小（几千条），甚至可以不建索引，全表扫描就够快了。如果你在批处理大量文档，可以适当调大到 30-50，但要做

Spring AI 最吸引人的地方不是它对某一家 AI 厂商的支持而是它用同一套接口屏蔽了十几家 AI 服务商的差异，并通过 Spring Boot 自动配置实现了"引入即用"。换厂商只需改几行配置，业务代码几乎不用动。这背后是框架做了大量适配工作——接口抽象、SPI 自动发现、条件注入、消息格式转换、配置分层。这篇从源码层面把这些机制彻底理清楚。核心目标：理解 Spring AI 如何通过Cha

RAG（Retrieval-Augmented Generation）是 Spring AI 中最核心的工程化模式——将私有知识库与 LLM 结合，让大模型能够基于企业内部文档回答问题。文档加载（Document Loading）：从文件系统、数据库等来源读取原始文档文档转换（Document Transformation）：切分、清洗、元数据提取向量入库（Vector Ingestion）：Em