告别被动词库，用Spring AI + Milvus打造企业级RAG智能代理

当你的AI不再“等用户来问”，而是主动思考：用户的真实意图是什么？我需要调用哪些工具来帮他完成这件事？

开篇：从“查库工具”到“智能代理”

在上一篇文章中，我们用Milvus + Java构建了一个基础的电商智能客服。它能把用户的问题转成向量，去Milvus中搜出最相似的商品描述，然后返回结果。这种“被动检索”模式，在单轮问答场景下游刃有余。

但真实的企业场景不是这样的。

用户问：“帮我找一款适合跑步穿的黑色运动鞋，预算500以内。”

系统找到了几款。接着用户又问：“就第一双吧，能帮我查一下物流吗？”

这时候问题来了——上一轮的对话存在哪里？商品信息是否需要记忆？查询物流是调用订单API、快递查询API，还是直接告诉用户“我们正在开发这个功能”？尴尬的是，这些需求一个都不能满足。 因为系统只会做向量检索，完全没有“上下文”和“行动力”。

这就是传统RAG的局限：它会回答问题，但不会主动调用工具；它知道你问过什么，但不会记住对话；它擅长信息检索，但不擅长任务执行。

2026年，企业级AI应用的发展方向，已经从简单的检索增强生成（RAG），跨越到了具备多轮记忆、工具调用和自主规划能力的智能代理（Agentic AI）。Spring AI通过Advisors等模式，将这种能力