基于Springboot3+LLM+RAG+PGVector+Embedding的AI 企业知识库

一、项目技术栈

前后端分离

后端：SpringBoot3 + MyBatis + PageHelper + Hutool + Apache POI + PDFBox
前端：Vue3 + Vite + Element-Plus + Vue-Router + Axios
AI 技术：RAG 检索增强生成 + Embedding 向量化 + PGVector 向量相似度检索 + TopK 检索与相似度阈值过滤 + Prompt 上下文拼接 + 资料来源追踪 数据库：MySQL（业务数据）+ PostgreSQL + PGVector（向量数据）

版本要求： jdk 不低于 17，MySQL 5.7 或者 8，node.js 版本 18 以上，maven 版本建议 3.8 及以上，navicat 建议不低于 16

二、项目功能描述

1. 管理员

登录、个人信息、修改密码
用户信息：管理系统所有用户
AI 模型配置：维护聊天模型与向量（Embedding）模型配置
知识库管理：创建知识库分类，配置切片长度与重叠长度
知识文档管理：上传 PDF / DOCX / TXT / MD 文档，查看解析文本与解析状态
知识文档文本解析：将上传文档解析为纯文本
知识片段切分与管理：按 chunkSize、overlapSize 将长文本切分为知识片段
片段 Embedding 向量化：选择向量模型对片段执行向量化并写入 PGVector
智能客服问答测试：在管理端输入问题测试 RAG 问答效果，查看命中的资料来源

2. 用户

登录、注册、个人信息、修改密码
系统首页：展示产品能力介绍
AI 客服弹窗：向智能客服提问，系统先检索相似知识片段，再调用聊天模型生成基于企业资料的回答

三、项目创新点

1. 完整的企业级 RAG 工程链路：从文档上传、文本解析、片段切分、向量化、向量入库到检索、Prompt 拼接、模型生成，完整覆盖 RAG 全流程，而非停留在"调一次大模型"。
2. 知识库、文档、片段三层数据结构：knowledge_base → knowledge_document → knowledge_segment → knowledge_segment_vector 层层拆解，切片参数随知识库配置，模型可灵活演进。
3. MySQL + PGVector 混合存储：业务数据放 MySQL，向量数据放 PostgreSQL + PGVector，各司其职，附带 Windows 本地安装 PGVector 的完整教程。
4. 资料来源可追踪、答案有依据：回答同时返回命中的知识片段来源，让 AI 客服回答有据可查，避免大模型凭空编造。
5. TopK + 相似度阈值双重过滤：检索阶段结合 TopK 与相似度阈值过滤低相关片段，提升上下文质量与回答准确率。
6. 聊天模型与向量模型独立配置：Embedding 模型与对话模型分开管理，可分别替换，方便对比不同向量模型的检索效果。

六、关键页面截图

（等武哥补充关键页面截图）