JeecgBoot AI模块解决方案：企业级智能应用零代码部署实践指南

JeecgBoot作为基于Spring Boot的企业级开发框架，其AI模块（jeecg-boot-module-airag）为开发者提供了从模型配置到服务部署的全流程支持。本文将系统讲解如何利用这一模块快速构建行业知识库、配置主流AI模型，并通过REST接口提供企业级智能服务，帮助技术团队在30分钟内完成AI应用落地，无需编写复杂代码。

基础认知：JeecgBoot AI模块架构解析

JeecgBoot的AI能力通过jeecg-boot-module-airag模块实现，采用分层设计理念，将模型管理、知识库构建和交互服务解耦。核心代码结构包含两大功能单元：

核心功能模块

模块路径	功能定位	关键实现类
llm/controller	模型管理接口层	AiragModelController.java
llm/service	模型业务逻辑层	IAiragModelService.java
llm/handler	模型交互处理层	AIChatHandler.java、EmbeddingHandler.java
app/controller	应用交互接口层	AiragChatController.java

图1：JeecgBoot AI模块核心功能示意图

核心收获

• 掌握AI模块的分层架构设计，理解各组件间的协作关系
• 明确模型管理与应用交互的代码组织方式
• 了解核心处理类的功能定位，为后续配置打下基础

核心配置：构建AI服务基础环境

配置模型连接参数

模型配置是AI服务的基础，JeecgBoot支持主流大语言模型接入，通过AiragModel实体类管理连接信息。配置界面位于系统管理→AI模型管理→新增模型，核心参数如下：

参数类别	参数名称	配置说明	安全要求
基础信息	modelName	模型标识名称，用于前端选择	建议包含厂商和版本信息
认证信息	apiKey	模型接口访问密钥	需定期轮换，避免明文存储
网络配置	baseUrl	模型API端点地址	注意区域域名差异（如阿里通义需华东节点）
生成参数	temperature	输出随机性控制（0-1）	知识问答建议0.3-0.5，创意生成建议0.7-0.9

⚠️注意：配置前需确认API密钥具备模型调用权限，部分厂商需要单独申请特定模型的访问权限

核心实现：[llm/entity/AiragModel.java]

构建行业知识库

知识库功能使AI模型具备领域知识，支持PDF/Word/TXT等多格式文档导入。构建流程包含三个关键步骤：

1. 知识库创建：在知识库管理界面新建知识库，设置领域分类和访问权限
2. 文档上传解析：系统通过TikaDocumentParser自动提取文本内容，支持100MB以内文件
3. 向量存储：EmbeddingHandler将文本分块向量化后存储，实现语义检索

// 文档解析核心逻辑（TikaDocumentParser.java）
public Document parse(File file) {
  // 文件大小校验
  if (file.length() > 1024*1024*100) {
    throw new RuntimeException("文件超过最大限制");
  }
  // 格式识别与内容提取
  AutoDetectParser parser = new AutoDetectParser();
  BodyContentHandler handler = new BodyContentHandler(-1); // 无限制提取
  Metadata metadata = new Metadata();
  try (InputStream stream = new FileInputStream(file)) {
    parser.parse(stream, handler, metadata);
    return new Document(handler.toString(), metadata);
  }
}

核心收获

• 掌握模型参数配置要点及安全注意事项
• 理解知识库构建的完整流程和技术限制
• 了解文档解析的核心实现逻辑，能够排查常见解析问题

功能验证：AI服务可用性测试

接口调用方式

JeecgBoot AI模块提供两种服务调用方式，满足不同场景需求：

1. 标准HTTP接口（适用于短文本问答）

// 请求示例
POST /airag/chat/send
{
  "content": "JeecgBoot的主要特性有哪些？",
  "appId": "airag_default",
  "modelId": "your_model_id"
}

2. SSE流式接口（适用于长文本生成）

GET /airag/chat/receive/{requestId}

验证流程

1. 启动服务后访问Swagger文档：http://localhost:8080/jeecg-boot/swagger-ui.html
2. 定位airag/chat接口组，选择/send接口进行测试
3. 检查响应格式是否符合预期：

{
  "success": true,
  "result": {
    "responseContent": "JeecgBoot是一款基于Spring Boot的企业级快速开发平台...",
    "requestId": "req-xxxx-xxxx",
    "modelName": "通义千问-7B"
  }
}

⚠️检查点：如返回401错误，需确认当前用户具备AI模块访问权限；如返回503错误，需检查模型服务是否可达

核心实现：[app/controller/AiragChatController.java]

核心收获

• 掌握两种接口调用方式的适用场景
• 学会使用Swagger进行接口测试和问题排查
• 能够识别常见错误类型并进行初步诊断

技术原理：AI服务工作机制解析

向量数据库工作机制

知识库检索基于向量相似性匹配，工作流程类似图书馆的图书分类系统：

1. 文本分块：将文档切割为语义完整的片段（通常200-500字符）
2. 向量化转换：通过Embedding模型将文本转为高维向量（如768维）
3. 向量存储：使用向量数据库（如Milvus）存储向量及对应文本
4. 相似检索：用户提问向量化后，查找TopK相似向量片段

类比说明：如果把文本比作书籍，向量就是书籍的"内容指纹"，向量数据库则是根据指纹快速找到相似书籍的智能索引系统

核心实现：[llm/handler/EmbeddingHandler.java]

模型调用流程解析

AIChatHandler实现了完整的模型交互逻辑，关键流程如下：

flowchart LR
    A[接收用户请求] --> B{是否需要知识库}
    B -->|是| C[检索相关知识片段]
    B -->|否| D[直接调用模型]
    C --> E[构建带知识的提示词]
    E --> D
    D --> F[处理模型响应]
    F --> G[返回结果给用户]

图2：AI模型调用流程示意图

流式输出通过SseEmitter实现，支持前端实时展示生成过程，提升用户体验。

核心收获

• 理解向量数据库的工作原理及应用价值
• 掌握模型调用的完整流程和关键节点
• 了解流式输出的实现方式及优势

进阶实践：性能优化与安全加固

性能优化策略

1. 本地缓存配置 修改EmbedStoreConfigBean启用向量缓存，减少重复计算：

@Bean
public EmbedStoreConfigBean embedStoreConfig() {
  EmbedStoreConfigBean config = new EmbedStoreConfigBean();
  config.setEnableCache(true);
  config.setCacheExpireHours(24); // 缓存有效期
  return config;
}

2. 分布式部署 使用项目根目录下的docker-compose-cloud.yml启动集群模式，实现负载均衡：

docker-compose -f docker-compose-cloud.yml up -d

安全加固措施

1. 访问控制 删除AiragChatController中的@IgnoreAuth注解，强制权限校验：

// 移除类上的@IgnoreAuth注解
@RestController
@RequestMapping("/airag/chat")
public class AiragChatController {
  // ...
}

2. API限流 在JeecgCloudGateway中添加限流过滤器，防止接口滥用：

@Bean
public RouteLocator customRouteLocator(RouteLocatorBuilder builder) {
  return builder.routes()
    .route("airag_route", r -> r.path("/airag/**")
      .filters(f -> f.requestRateLimiter(c -> c
        .setRateLimiter(redisRateLimiter())
        .setKeyResolver(userKeyResolver())))
      .uri("lb://jeecg-system"))
    .build();
}

核心收获

• 掌握两种有效的性能优化手段
• 学会配置访问控制和API限流保障系统安全
• 了解分布式部署的配置方法，提升系统可用性

总结与展望

JeecgBoot AI模块通过零代码配置方式，大幅降低了企业级AI应用的部署门槛。其核心优势在于：

1. 架构优势：分层设计使模型管理与业务应用解耦，便于扩展和维护
2. 功能完备：提供从模型配置到知识库构建的全流程支持
3. 企业特性：内置权限控制、审计日志等企业级必需功能

未来版本将重点增强多模型路由、知识库版本管理和效果评估功能。建议通过以下方式获取最新更新：

• 项目仓库：git clone https://gitcode.com/GitHub_Trending/je/jeecg-boot
• 官方文档：[README.md]

通过JeecgBoot AI模块，开发者可以快速将AI能力集成到现有业务系统，实现智能客服、知识问答、文档分析等场景落地，为企业数字化转型提供强力支持。