当前位置：首页 > news >正文

山东大学软件学院项目实训-创新实训-计科智伴（一）——个人博客（后端搭建）

news 2026/4/20 1:59:36

本项目为山东大学软件学院创新项目实训团队项目，技术栈采用Spring Boot 3.4.3+PostgreSQL(pgvector)+Neo4j+MinIO+Redis混合存储架构，前端为微信小程序。

一、工作概览

本周我主要完成了以下工作：

模块	工作内容
数据库设计	完成14张PostgreSQL核心业务表的DDL设计，集成pgvector向量扩展
后端框架	Spring Boot 3.4.3 + MyBatis Plus 3.5.10.1 + JPA混合ORM，自定义VectorTypeHandler
服务配置	Docker Compose一键部署PostgreSQL(pgvector)、Redis、MinIO
接口开发	用户模块完整CRUD + AI对话流式接口，对接前端小程序

产出：14张表设计文档 + 完整DDL脚本 + 12个实体类 + 12个Mapper + 12个Service + AI ChatClient配置 + 项目已推送至Gitee仓库。

二、数据库设计：混合存储架构

2.1 选型思路

本项目采用混合存储架构，根据不同数据特征选择合适的数据库：

数据库	用途	核心场景
PostgreSQL + pgvector	业务数据 + 向量检索	用户、课程、题库、RAG
Neo4j	知识图谱	知识点关联、错题诊断
MinIO	多模态文件存储	视频、PPT、图片
Redis	热点数据缓存	学习计划、会话状态

2.2 表结构设计

完成14张 PostgreSQL 业务表的设计，涵盖用户、课程、习题、学习记录等核心业务。重点说明几个关键设计：

（1）用户学情画像表（user_profile）：采用 JSONB 字段存储知识点掌握度、学习偏好等非结构化数据，便于后续 AI Agent 读取。

（2）四级内容结构：课程（course）→ 章节（chapter）→ 知识点（knowledge_point）→ 习题（question），完整支持知识点定位。

（3）pgvector 向量扩展：vector_embedding 表使用 vector(1024) 类型存储教材切片向量（实际使用阿里云 text-embedding-v3 模型，输出 1024 维），支持语义检索。向量表与 learning_resource 关联，确保题干、教材、图片 OCR 等资源均可被统一索引。

2.3 建表脚本与自动迁移

采用Flyway管理数据库版本。建表 SQL 脚本位于 src/main/resources/db/migration/V1__initial_schema.sql，包含所有表的 CREATE TABLE 语句、主外键约束、索引及注释。Spring Boot 启动时自动执行，确保团队成员数据库结构一致。

三、后端框架搭建

3.1 技术栈选型

技术	版本	用途
Spring Boot	3.4.3	主框架
MyBatis Plus	3.5.10.1	ORM，简化数据库操作
Spring AI	1.0.0-M6	AI集成（Ollama + 阿里云通义）
PostgreSQL	16	关系数据库
pgvector	内置	向量检索扩展
MinIO	8.5.11	对象存储
Redis	7-alpine	缓存 + 会话存储
Flyway	9.x	数据库版本迁移

3.2 项目初始化

Spring Boot 项目通过Spring Initializr初始化，选择Spring Boot 3.4.3。
包结构：controller/ service/ mapper/ entity/ config/ handler/ utils/ memory/ tools/
核心依赖包含 Spring Boot Starter Web、MyBatis Plus、PostgreSQL Driver、Lombok、MinIO Client、Spring AI（Ollama + OpenAI 兼容）、Flyway。

3.3 MyBatis Plus配置

配置位于 application.yml，开启驼峰映射并输出 SQL 日志。

3.4 pgvector 类型处理器

pgvector 使用自定义 VectorTypeHandler 实现 Java float[] 与 PostgreSQL vector 类型的转换，代码位于 handler/VectorTypeHandler.java。由于 Spring AI 官方已提供 spring-ai-pgvector-store-spring-boot-starter，但我们仍保留自定义处理器以保证灵活性。

3.5 AI 集成配置（Spring AI + 阿里云通义千问）

项目使用 Spring AI 1.0.0-M6，同时支持本地 Ollama（gemma3:4b）和阿里云通义千问（qwen-max-latest）。关键配置：

通过 CommonConfiguration 配置了多个 ChatClient Bean，分别用于不同场景，并集成了 PersistentChatMemory实现对话持久化。

3.6 流式对话接口

ChatController 提供 /ai/chat 接口，支持流式响应（Flux）、多模态文件上传（图片/音频）和会话记忆。前端传入 prompt、chatId、type 和可选的 files，后端通过 MessageChatMemoryAdvisor 自动管理对话历史，无需手动保存消息。

四、Docker 环境配置

为避免队友配置环境时出错，编写 docker-compose.yml 实现一键部署。

队友只需执行 docker-compose up -d，即可完成全部服务部署。

五、接口开发与前端对接

5.1 RESTful 接口设计

首日完成用户模块基础接口和 AI 对话接口，供前端小程序调用：

方法	路径	功能
POST	/api/users/register	用户注册
GET	/api/users/{id}	获取用户信息
PUT	/api/users/{id}	更新用户信息
POST	/ai/chat	流式 AI 对话（支持文件）