AI + RAG + CMS 知识库检索增强生成智能助手

# 模块简介

本模块基于 Spring AI 和 JeeSite 内容管理系统（CMS）并结合了检索增强生成（Retrieval-Augmented Generation, RAG）技术和先进的人工智能算法（AI），打造了一个强大的企业级知识管理和智能对话平台。该模块专为企业设计，旨在通过高效的知识获取和精准的对话能力，提升企业的信息管理效率和员工的工作效能。

检索增强生成 RAG 技术使系统能够自动从海量的企业文档中检索最相关的信息，并将其融入到生成的回答中，确保每一次查询都能获得最新且准确的结果。这种检索与生成相结合的方式，不仅提高了信息检索的准确性，还增强了回答的上下文关联性，特别适合处理复杂的企业知识库。

此外该模块，支持在线大模型和本地部署的大模型，如：Ollama、DeepSeek、通义千问，理论上支持所有 OpenAPI 标准接口的 AI 提供商。并能无缝集成多种嵌入式 AI 模型的向量数据库，如 Chroma、PGVector、Elasticsearch、Milvus 等，实现高效的数据存储、检索及分析。无论是大规模数据集还是高度专业化的领域知识，JeeSite CMS + RAG + AI 都能提供定制化解决方案，满足企业多样化的业务需求和技术要求。企业可以轻松管理和访问复杂的信息资源，促进内部知识共享和创新，从而在竞争激烈的市场环境中保持领先地位。

优势：本模块结构清晰，代码简洁易懂，不管是正式项目、或是学习 AI 技术、都能轻松应对读懂源代码。

# 在线演示

地址：https://vue.jeesite.com/cms/chat/index (opens new window)

# 源码下载

# AI 模型配置

支持的 AI 模型列表：https://docs.spring.io/spring-ai/reference/1.0/api/index.html (opens new window)

线上模型：理论上支持所有 OpenAPI (opens new window) 标准接口的 AI 提供商。
本地模型：使用 Ollama (opens new window) 安装方法，本文不多赘述，网上有很多安装资料。
模型类型包括：聊天对话模型和嵌入式向量库模型，需注意 dimensions 维度参数，要和模型要求的匹配。

具体配置项详见 jeesite-cms-ai.yml (opens new window) 文件，有注释。

# 向量数据库配置

支持的向量库列表：https://docs.spring.io/spring-ai/reference/1.0/api/vectordbs.html (opens new window)

Chroma
PGVector
Elasticsearch
Milvus
...

具体配置项详见 jeesite-cms-ai.yml (opens new window) 文件，有注释。

# 安装 Chroma

docker run --name chroma -p 8000:8000 ghcr.io/chroma-core/chroma:0.5.20

# 安装 PGVector

docker run -d --name pgvector -p 5433:5432 -e POSTGRES_USER=postgres \
              -e POSTGRES_PASSWORD=postgres pgvector/pgvector:pg17

1
2

进入容器

docker exec -it pgvector psql -U postgres

建库语句

CREATE DATABASE "jeesite-ai";

-- 激活数据库
\connect "jeesite-ai";

-- 建立数据表和索引
CREATE EXTENSION IF NOT EXISTS vector;
CREATE EXTENSION IF NOT EXISTS hstore;
CREATE EXTENSION IF NOT EXISTS "uuid-ossp";

-- 使用 all-minilm 模型时创建
DROP TABLE IF EXISTS vector_store_384;
CREATE TABLE IF NOT EXISTS vector_store_384 (
	id varchar(64) DEFAULT uuid_generate_v4() PRIMARY KEY,
	content text,
	metadata json,
	embedding vector(384)
);
CREATE INDEX ON vector_store_384 USING HNSW (embedding vector_cosine_ops);

-- 使用 nomic-embed-text 模型时创建
DROP TABLE IF EXISTS vector_store_786;
CREATE TABLE IF NOT EXISTS vector_store_786 (
	id varchar(64) DEFAULT uuid_generate_v4() PRIMARY KEY,
	content text,
	metadata json,
	embedding vector(768)
);
CREATE INDEX ON vector_store_786 USING HNSW (embedding vector_cosine_ops);

-- 使用 bge-m3 模型时创建
DROP TABLE IF EXISTS vector_store_1024;
CREATE TABLE IF NOT EXISTS vector_store_1024 (
	id varchar(64) DEFAULT uuid_generate_v4() PRIMARY KEY,
	content text,
	metadata json,
	embedding vector(1024)
);
CREATE INDEX ON vector_store_1024 USING HNSW (embedding vector_cosine_ops);

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

# 创建 AI 菜单

系统管理 -> 系统设置 -> 菜单管理 -> 新增

菜单名称：AI 助手
菜单地址：/cms/chat/index

# 工具调用 Tool Calling

工具调用 Tool Calling（也称 Function Calling）是人工智能应用程序中的常见模式，允许模型与一组 API 或工具交互，从而增强其功能。

实例代码，详见 CmsAiTools.java (opens new window) 让 AI 调用你的 java 实现你的业务联动。

进入 JeeSite 源码仓库页面，点击右上角 ⭐ Star 加星关注。

← CMS 内容管理系统涉密 “三员” 管理→