实战：Spring AI + Milvus + RAG高级查询上下文感知和查询重写（附有全部代码）
·
一、概述
本项目通过 Spring AI 框架 集成 Milvus 向量数据库，构建了一个基于 RAG（Retrieval-Augmented Generation）技术 的智能对话系统。系统不仅实现了基础的 RAG 功能，还引入了 上下文感知查询（Context-aware Queries） 和 查询重写（Query Rewrite） 两种高级 RAG 用法，显著提升了对话的连贯性和检索效率。
-
上下文感知查询（Context-aware Queries）
在多轮对话中，用户的问题通常依赖于之前的上下文。例如，用户先问不爱学习康复医院的副主任医生都有谁？随后可能追问还有么？。系统通过上下文感知查询，能够理解用户意图并生成连贯的回复，例如除了XXX，还有其他副主任医生吗？这种能力确保了对话的连贯性和用户体验。 -
查询重写（Query Rewrite）
查询重写技术可以将用户的自然语言查询转化为更结构化、更明确的形式，从而提高检索的准确性和效率。例如，用户提问我想去北京，坐高铁过去，北京有什么景点比较好玩，还得便宜，系统会将其重写为北京有哪些性价比高的旅游景点？，从而更精准地匹配知识库内容。
技术架构与挑战
本项目的技术栈包括SpringAI、Milvus、Etcd、Minio和Attu。其中，Milvus作为向量数据库，负责存储和检索向量化的知识库数据；Etcd用于分布式协调；Minio提供对象存储支持；Attu则是Milvus的管理工具。这些组件的版本匹配和兼容性是项目成功的关键。
二. 环境准备
在开始之前，请确保你的环境满足以下要求：
- 操作系统：Windows 11
- Java 版本：JDK 17+（请注意 Spring Boot 3.4.4 的兼容性）
- 依赖管理：Maven 3.8.3+
- 阿里云百炼平台： 账号申请 后，可以查看到以下模型的选择
三. 功能介绍
-
1. Docker环境搭建
通过Docker部署Redis、Milvus及相关组件，确保环境一致性。Redis用于存储对话历史，Milvus负责向量检索，两者结合实现了高效的对话记忆和知识库查询。- Redis 部署：通过 Docker 快速部署 Redis 7.4.2 版本，配置持久化存储和密码保护，确保数据安全。
- Milvus 及相关组件部署：通过 Docker Compose 自动化部署 Milvus、Etcd、Minio 和 Attu，确保各组件版本兼容，简化了复杂的安装流程。
2. SpringAI框架集成
Spring AI 作为核心框架，提供了对话系统开发的基础支持。通过集成 Spring AI Alibaba 模块，项目无缝对接阿里百炼平台的高性能模型（如qwq-plus、 DeepSeek-R1）和文本嵌入模型（text-embedding-v2），为对话生成和向量表示提供了强大的能力。- 模型集成：通过阿里百炼平台的 API-KEY，项目能够调用
qwq-plus模型进行对话生成，并使用text-embedding-v2模型生成文本的向量表示。 - 对话规则配置：通过
ChatClient配置对话规则和风格，确保对话的连贯性和一致性。
3. Redis对话记忆
项目通过 Redis 实现了对话历史的持久化存储，支持多轮对话的连贯性。开发者可根据需求灵活扩展为 MySQL 持久化或混合存储方案。- 对话历史存储：通过 Redis 的列表结构存储对话历史，支持快速查询和过期清理。
- 灵活扩展：支持将对话历史存储扩展为 MySQL 或其他数据库，满足不同场景的需求。
4. RAG技术实现
基于阿里百炼的嵌入模型和Milvus，项目实现了本地知识库功能。通过RAG技术，系统能够从知识库中检索相关信息并融入对话生成。测试数据包括虚拟的医院介绍、科室信息和医生资料，验证了RAG的检索能力和对话生成效果。- 知识库构建：通过文本切分和向量化处理，将知识库数据写入Milvus向量数据库。
- 检索与生成：通过向量检索获取相关信息，并结合对话模型生成连贯的回答。
5. 高级RAG用法
- 上下文感知查询：通过历史对话构建上下文，确保多轮对话的连贯性。
- 查询重写：优化用户输入，提升检索效率和准确性。
四、Docker安装与软件部署
** 1. 安装docker**
本地环境使用Docker进行部署，可以大大节省环境配置的工作量，同时减少组件对系统性能的影响。在不开发时，关闭Docker，还能避免各种干扰。对于还不熟悉Docker的同学，建议尽快学习掌握这一强大工具。
由于很多教程都是基于Linux系统的，这里我们详细讲解一下在Windows本地环境下的搭建步骤。首先，访问docker官网，根据你的系统选择合适的版本进行下载和安装。安装完成后，进入PowerShell，输入指令docker ps，如果能看到相关输出，说明Docker安装成功。
安装后，进入PowerShell，输入指令 docker ps ，看到这个就OK了
2. Redis容器部署
说明：此命令从Docker Hub拉取指定版本的Redis镜像，为后续的容器部署做好准备。
docker pull redis:7.4.2
在本地创建文件夹C:\docker\redis\conf和C:\docker\redis\data，并在conf文件夹下创建文件redis.conf，内容如下：
bind 0.0.0.0
port 6379
requirepass 123123
dir /data
appendonly yes
bind 0.0.0.0：允许外部访问requirepass 123123：设置访问密码，你可以根据需要自行设定，虽然是本地环境，但养成良好的安全习惯很重要appendonly yes：开启AOF持久化
接下来，进行容器部署：
docker run -d \
-p 6579:6379 \
-v C:/docker/redis/data:/data \
-v C:/docker/redis/conf:/usr/local/etc/redis \
--name redis \
redis:7.4.2 redis-server /usr/local/etc/redis/redis.conf
说明：通过上述命令，我们基于刚才拉取的镜像创建并启动了一个Redis容器，同时将本地的配置文件和数据目录挂载到容器中，方便进行持久化存储和配置管理。
3、Milvus大礼包部署
由于Milvus的安装和配置较为复杂，需要同时部署Etcd、Minio和Attu，这些组件的版本匹配和兼容性是项目成功的关键。通过 Docker Compose 实现了自动化部署，大大简化了环境搭建的复杂度。
- Milvus版本：v2.5.4
- Etcd版本：v3.5.16
- Minio版本：RELEASE.2023-03-20T20-16-18Z
- Attu版本：v2.5
在本地创建文件夹 C:\docker\milvus , 并在文件夹下创建文件 docker-compose.yml, 文件内容如下（很重要）：
# 定义 Docker Compose 服务
services:
# 配置 etcd 服务
etcd:
container_name: milvus-etcd # 容器名称
image: quay.io/coreos/etcd:v3.5.16 # 使用的镜像
environment:
- ETCD_AUTO_COMPACTION_MODE=revision # 自动压缩模式
- ETCD_AUTO_COMPACTION_RETENTION=1000 # 保留的修订版本数
- ETCD_QUOTA_BACKEND_BYTES=4294967296 # 后端存储限制
- ETCD_SNAPSHOT_COUNT=50000 # 快照计数
volumes:
- ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/etcd:/etcd # 数据卷挂载
command: etcd -advertise-client-urls=http://127.0.0.1:2379 -listen-client-urls=http://0.0.0.0:2379 --data-dir /etcd # 启动命令
healthcheck:
test: ["CMD", "etcdctl", "endpoint", "health"] # 健康检查命令
interval: 30s # 检查间隔
timeout: 20s # 超时时间
retries: 3 # 重试次数
# 配置 MinIO 服务
minio:
container_name: milvus-minio # 容器名称
image: minio/minio:RELEASE.2023-03-20T20-16-18Z # 使用的镜像
environment:
MINIO_ACCESS_KEY: minioadmin # MinIO 访问密钥
MINIO_SECRET_KEY: minioadmin # MinIO 密钥
ports:
- "9001:9001" # 控制台端口映射
- "9000:9000" # 服务端口映射
volumes:
- ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/minio:/minio_data # 数据卷挂载
command: minio server /minio_data --console-address ":9001" # 启动命令
healthcheck:
test: ["CMD", "curl", "-f", "http://localhost:9000/minio/health/live"] # 健康检查命令
interval: 30s # 检查间隔
timeout: 20s # 超时时间
retries: 3 # 重试次数
# 配置 Milvus 服务
standalone:
container_name: milvus-standalone # 容器名称
image: milvusdb/milvus:v2.5.4 # 使用的镜像
command: ["milvus", "run", "standalone"] # 启动命令
security_opt:
- seccomp:unconfined # 安全选项
environment:
ETCD_ENDPOINTS: etcd:2379 # etcd 服务地址
MINIO_ADDRESS: minio:9000 # MinIO 服务地址
volumes:
- ${DOCKER_VOLUME_DIRECTORY:-.}/volumes/milvus:/var/lib/milvus # 数据卷挂载
healthcheck:
test: ["CMD", "curl", "-f", "http://localhost:9091/healthz"] # 健康检查命令
interval: 30s # 检查间隔
start_period: 90s # 启动等待时间
timeout: 20s # 超时时间
retries: 3 # 重试次数
ports:
- "19530:19530" # 服务端口映射
- "9091:9091" # 管理端口映射
depends_on:
- "etcd" # 依赖 etcd 服务
- "minio" # 依赖 MinIO 服务
# 配置 Milvus Dashboard 服务
dashboard:
image: zilliz/attu:v2.5 # 使用的镜像
container_name: milvus-dashboard # 容器名称
environment:
MILVUS_URL: http://standalone:19530 # Milvus 服务地址
ports:
- "8000:3000" # 端口映射
depends_on:
- standalone # 依赖 Milvus 服务
- etcd # 依赖 etcd 服务
- minio # 依赖 MinIO 服务
# 定义网络配置
networks:
default:
name: milvus # 网络名称
然后执行命令 docker compose up -d , 如果没有报错，你就安静的等吧（我的网络差不多等了20分钟），直到最后看到如下图
我们再查看一下进程，看样子都起来了：
查看客户端， 输入地址 http://localhost:8000/
进入如下界面：此时什么都不要填写，直接点【连接】按钮
进入系统后
我们点击左侧头像，进入“用户和角色”管理界面
我们新建用户和角色： 用户名：derek, 密码： milvus-4321 (这里要和我们spring工程里的配置一致)，角色我们选 admin, 点击 【创建】按钮，就大功告成了。
五. Spring AI 集成：完整代码实现
Spring AI 作为核心框架，提供了对话系统开发的基础支持。通过集成 Spring AI Alibaba 模块，项目无缝对接阿里百炼平台的高性能模型（如 qwq-plus 、DeepSeek-R1）和文本嵌入模型（text-embedding-v2），为对话生成和向量表示提供了强大的能力。
** 1. maven的核心依赖**
<!-- 全局属性管理 -->
<properties>
<java.version>23</java.version>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding>
<!-- 自定义依赖版本 -->
<spring-boot.version>3.4.4</spring-boot.version>
<spring-ai.version>1.0.0-M6</spring-ai.version>
<spring-alibaba.version>1.0.0-M6.1</spring-alibaba.version>
<maven.compiler.version>3.11.0</maven.compiler.version>
</properties>
<dependencies>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-data-redis</artifactId>
<version>${spring-boot.version}</version>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
<version>${spring-boot.version}</version>
</dependency>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-milvus-store-spring-boot-starter</artifactId>
</dependency>
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-starter</artifactId>
<version>${spring-alibaba.version}</version>
</dependency>
<dependency>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
<version>1.18.32</version>
<optional>true</optional>
</dependency>
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-lang3</artifactId>
<version>3.17.0</version>
</dependency>
</dependencies>
<dependencyManagement>
<dependencies>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-bom</artifactId>
<version>${spring-ai.version}</version>
<type>pom</type>
<scope>import</scope>
</dependency>
</dependencies>
</dependencyManagement>
<!-- 构建配置 -->
<build>
<plugins>
<!-- 编译器插件 -->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<version>${maven.compiler.version}</version>
<configuration>
<release>${java.version}</release>
<annotationProcessorPaths>
<path>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
<version>1.18.32</version>
</path>
</annotationProcessorPaths>
</configuration>
</plugin>
<!-- Spring Boot打包插件 -->
<plugin>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-maven-plugin</artifactId>
<configuration>
<excludes>
<exclude>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
</exclude>
</excludes>
</configuration>
</plugin>
</plugins>
</build>
<!-- 仓库配置 -->
<repositories>
<repository>
<id>alimaven</id>
<name>aliyun maven</name>
<url>https://maven.aliyun.com/repository/public</url>
</repository>
<repository>
<id>spring-milestones</id>
<name>Spring Milestones</name>
<url>https://repo.spring.io/milestone</url>
<snapshots>
<enabled>false</enabled>
</snapshots>
</repository>
<repository>
<id>spring-snapshots</id>
<name>Spring Snapshots</name>
<url>https://repo.spring.io/snapshot</url>
<releases>
<enabled>false</enabled>
</releases>
</repository>
</repositories>
说明：上述配置文件中，我们引入了Spring Boot、Spring AI、Alibaba Cloud AI等核心依赖，确保项目能够顺利构建和运行。同时，通过配置Maven插件和仓库，优化项目的构建流程和依赖管理。
** 2. 核心配置（application.yml）**
这里一定要注意的是文本推理模型 model: deepseek-r1, 嵌入模型model: text-embedding-v2用来生成文本的向量数据
server:
port: 8080
spring:
application:
name: Ollama-AI
data:
redis:
host: 127.0.0.1
port: 6579
password: 123123
database: 1
ai:
dashscope:
# 注意这个理是使用阿里云百炼平台的API-KEY
api-key: sk-*****************
model: deepseek-r1
embedding:
options:
# 嵌入的向量模型
model: text-embedding-v2
vectorstore:
milvus:
client:
host: "localhost"
port: 19530
username: "derek"
password: "milvus-4321"
databaseName: "default"
collectionName: "vector_store"
embeddingDimension: 1536
indexType: IVF_FLAT
metricType: COSINE
initialize-schema: true
说明：在配置文件中，我们设置了服务器端口、Redis连接信息、Milvus地址以及AI模型的相关参数。通过这些配置，项目能够正确连接到各个服务，并使用指定的模型进行对话处理和数据存储。
3. 实现连续对话
** 控制器层（RagAdvanceController.java）**
@Slf4j
@RestController
@RequestMapping("/ai/v1")
public class RagAdvanceController {
@Autowired
private ChatClient chatClient;
@Autowired
private VectorStore vectorStore;
@Autowired
private ChatMemory chatMemory;
// 对话记忆长度
private final Integer CHAT_HISTORY_SIZE = 10;
/**
* 将本地数据（static/demoHospital.txt）写入到向量数据库中
* @return
* @throws IOException
*/
@GetMapping("/data/load")
public String loadData() throws IOException {
// 1. 读取文件
DocumentReader reader = new TextReader("static/demoHospital.txt");
List<Document> docs = reader.get();
// 2.切分文件
List<Document> splitDocuments = new TokenTextSplitter(
400, 100, 20, 200, true)
.apply(docs); // 参数：块大小、重叠长度、最大块数等
log.info("文件切分为 [{}]", splitDocuments.size());
//3.写入数据
vectorStore.add(splitDocuments);
return "success";
}
/**
* 查询重写
* @param userId
* @param inputMsg
* @return
*/
@GetMapping(value = "/rag/rewrite/chat", produces = "text/plain; charset=UTF-8")
public String ragChatByRewrite(@RequestParam String userId, @RequestParam String inputMsg) {
// 1、构建查询重写转换器
QueryTransformer queryTransformer = RewriteQueryTransformer.builder()
.chatClientBuilder(chatClient.mutate())
.build();
// 2、执行查询重写
Query queryByTransform = queryTransformer.transform(new Query(inputMsg));
// 3、输出重写后的查询文案
return queryByTransform.text();
}
/**
* 上下文感知查询
* @param userId
* @param inputMsg
* @return
*/
@GetMapping(value = "/rag/history/chat", produces = "text/plain; charset=UTF-8")
public String ragChatByHistory(@RequestParam String userId, @RequestParam String inputMsg) {
// 1. 获取历史消息
List<Message> history = chatMemory.get(userId, CHAT_HISTORY_SIZE);
// 2. 构建查询对象
Query query = Query.builder()
.text(inputMsg)
.history(history)
.build();
// 3. 创建 CompressionQueryTransformer
CompressionQueryTransformer queryTransformerByHis = CompressionQueryTransformer.builder()
.chatClientBuilder(chatClient.mutate())
.build();
// 4、执行历史信息后查询
Query queryByHistory = queryTransformerByHis.transform(query);
// 5、输出重写后的查询文案
return queryByHistory.text();
}
/**
* 调用大模型进行数据对话
* @param userId
* @param message
* @return
*/
@GetMapping(value = "/rag/chat", produces = "text/plain; charset=UTF-8")
public String ragChat(@RequestParam String userId, @RequestParam String message) {
log.info("userId -> [{}], message --> [{}]", userId, message);
String text = chatClient.prompt()
.user(message)
.advisors(new MessageChatMemoryAdvisor(chatMemory,userId, CHAT_HISTORY_SIZE))
.call().content();
return text;
}
}
说明：RagAdvanceController 提供了4个对外的接口：
- 数据加载（/data/load）功能：通过
loadData方法，将本地文本文件（如医院介绍）加载到向量数据库中，为后续的检索和对话提供数据支持。 - 查询重写（/rag/rewrite/chat）功能：将用户的自然语言查询转化为更结构化、更明确的形式，从而提高检索的准确性和效率。
- 上下文感知（/rag/history/chat）查询：结合对话历史构建上下文，确保多轮对话的连贯性和用户体验。
- 对话处理（/rag/chat）功能：调用大模型进行对话生成，结合向量检索结果生成连贯的回答，并通过 Redis 存储对话历史，支持多轮对话的上下文管理。
Redis持久化（ChatRedisMemory.java）
@Slf4j
@Component
public class ChatRedisMemory implements ChatMemory {
private static final String KEY_PREFIX = "chat:history:";
private final RedisTemplate<String, Object> redisTemplate;
public ChatRedisMemory(RedisTemplate<String, Object> redisTemplate) {
this.redisTemplate = redisTemplate;
}
@Override
public void add(String conversationId, List<Message> messages) {
String key = KEY_PREFIX + conversationId;
List<ChatEntity> listIn = new ArrayList<>();
for(Message msg: messages){
String[] strs = msg.getText().split("</think>");
String text = strs.length==2?strs[1]:strs[0];
ChatEntity ent = new ChatEntity();
ent.setChatId(conversationId);
ent.setType(msg.getMessageType().getValue());
ent.setText(text);
listIn.add(ent);
}
redisTemplate.opsForList().rightPushAll(key,listIn.toArray());
redisTemplate.expire(key, 30, TimeUnit.MINUTES);
}
@Override
public List<Message> get(String conversationId, int lastN) {
String key = KEY_PREFIX + conversationId;
Long size = redisTemplate.opsForList().size(key);
if (size == null || size == 0){
return Collections.emptyList();
}
int start = Math.max(0, (int) (size - lastN));
List<Object> listTmp = redisTemplate.opsForList().range(key, start, -1);
List<Message> listOut = new ArrayList<>();
ObjectMapper objectMapper = new ObjectMapper();
for(Object obj: listTmp){
ChatEntity chat = objectMapper.convertValue(obj, ChatEntity.class);
// log.info("MessageType.USER [{}], chat.getType [{}]",MessageType.USER, chat.getType());
if(MessageType.USER.getValue().equals(chat.getType())){
listOut.add(new UserMessage(chat.getText()));
}else if(MessageType.ASSISTANT.getValue().equals(chat.getType())){
listOut.add(new AssistantMessage(chat.getText()));
}else if(MessageType.SYSTEM.getValue().equals(chat.getType())){
listOut.add(new SystemMessage(chat.getText()));
}
}
return listOut;
}
@Override
public void clear(String conversationId) {
redisTemplate.delete(KEY_PREFIX + conversationId);
}
}
说明：此组件实现了 ChatMemory 接口，利用Redis进行对话历史记录的持久化存储。通过RedisTemplate操作Redis列表，实现了对话记录的添加、获取和清除功能，确保对话上下文能够在多次请求之间保持连贯，从而支持连续对话。
** 配置类与序列化(RedisConfig.java)**
@Configuration
public class RedisConfig {
@Bean
public RedisTemplate<String, Object> redisTemplate(RedisConnectionFactory factory) {
//生成整个 RedisTemplate
RedisTemplate<String, Object> redisTemplate = new RedisTemplate<>();
redisTemplate.setConnectionFactory(factory);
redisTemplate.setKeySerializer(new StringRedisSerializer());
redisTemplate.setValueSerializer(new Jackson2JsonRedisSerializer<>(Object.class));
redisTemplate.setHashKeySerializer(new StringRedisSerializer());
redisTemplate.setHashValueSerializer(new Jackson2JsonRedisSerializer<>(Object.class));
redisTemplate.afterPropertiesSet();
return redisTemplate;
}
}
说明：该配置类用于创建 RedisTemplate Bean，通过设置不同的序列化方式，确保在与Redis进行数据交互时，键和值能够正确地进行序列化和反序列化操作，从而保证数据的完整性和可读性。
** 实体类(ChatEntity.java)**
@NoArgsConstructor
@AllArgsConstructor
@Data
public class ChatEntity implements Serializable {
String chatId;
String type;
String text;
}
说明：这是一个简单的Java实体类，用于表示对话中的每一条消息记录。包含对话ID、消息类型和消息文本三个属性，通过Lombok的注解自动生成构造方法、getter和setter方法，简化了代码编写。
** 4. 聊天对话的初始化bean**
@Configuration
@RequiredArgsConstructor
public class ChatInit {
private final VectorStore vectorStore;
@Autowired
private ChatModel chatModel;
@Bean
public ChatClient chatClient(ChatMemory chatMemory) {
return ChatClient.builder(chatModel)
// 设置系统的默认行为和风格
.defaultSystem("你是一个专业的助手，遇到不确定或不明确的信息时，" +
"会主动询问用户以获取更多信息。在回答问题时，" +
"你倾向于使用条理清晰的格式，如果信息复杂或包含多个部分，" +
"请确保每个部分都有适当的标题以创建分层结构。")
// 注册向量检索顾问，用于从向量存储中检索相关信息
.defaultAdvisors(
new QuestionAnswerAdvisor(
vectorStore,
SearchRequest.builder()
.similarityThreshold(0.1) // 设置相似度阈值
.topK(10) // 设置返回最多 10 条相关结果
.build()
)
)
.build();
}
@Bean
public ChatMemory chatMemory(RedisTemplate<String, Object> redisTemplate) {
return new ChatRedisMemory(redisTemplate);
}
}
说明：
- 对话初始化：通过
ChatClient配置对话规则和风格，确保对话的连贯性和一致性； - 向量检索：结合
QuestionAnswerAdvisor和VectorStore，从向量存储中检索相关信息，提升对话的准确性； - 对话记忆：基于 Redis 实现对话记忆，确保对话的上下文一致性。
** 6. 启动类(ToolCallingApplication.java)**
@SpringBootApplication
public class ToolCallingApplication {
public static void main(String[] args) {
SpringApplication.run(ToolCallingApplication.class, args);
}
}
说明： 这是Spring Boot应用的启动类，通过 @SpringBootApplication 注解启用Spring Boot的功能，提高应用的性能和效率。
六. 数据准备
我让kimi帮我生成了一个医院的介绍，包含
- 医院
不爱学习康复医院的介绍， - 3个科室的介绍，分别是
学不会科,学不好科,爱学习科 - 每个科室也有对应的医生信息
文本名称 demoHospital.txt
1. 医院介绍
不爱学习康复医院坐落在风景如画的青云市，是一所独具特色的康复专科医院。医院秉持着“让学习不再成为负担，助力患者重拾学习热情”的理念，专注于帮助各类学习障碍患者恢复学习能力，提升学习信心。自2015年建院以来，医院凭借其专业的医疗团队、先进的康复设备和个性化的治疗方案，赢得了患者和家属的广泛赞誉。
医院占地面积约50亩，建筑面积达8000平方米，拥有300张床位。医院设有学不会科、学不好科和爱学习科等特色科室，配备了智能康复机器人、虚拟现实康复系统等先进设备，为患者提供全面、科学的康复治疗。目前，医院有职工300余人，其中高级职称专家50余名，硕士研究生导师20名。他们不仅在临床工作中积累了丰富的经验，还积极参与科研和教学工作，为康复医学的发展做出了重要贡献。
2. 科室介绍
(1)学不会科:
学不会科是医院的核心科室之一，主要针对那些在学习上有严重障碍的患者，如患有注意力缺陷多动障碍(ADHD)、阅读障碍、数学障碍等。科室配备了一支由心理学家、康复治疗师和教育专家组成的多学科团队，为患者提供全面的评估和个性化的康复治疗方案。他们采用认知行为疗法、感觉统合训练、注意力训练等多种方法，帮助患者逐步克服学习障碍，提升学习能力。此外，学不会科还定期开展家长培训课程，帮助家长更好地理解和支持孩子的康复过程，共同助力患者回归正常学习轨道。
(2)学不好科:
学不好科专注于帮助那些学习能力不足但有潜力提升的患者。这些患者可能没有明显的学习障碍，但在学习过程中遇到诸多困难，如学习方法不当、学习动力不足、情绪管理不佳等。科室采用个性化评估和治疗方案，结合认知行为疗法、情绪管理训练和学习技巧辅导等多种方法，帮助患者改善学习效果。学不好科还设有专门的儿童和青少年康复小组，通过游戏化学习和团队合作，激发患者的学习兴趣和动力。此外，科室与学校紧密合作，为患者提供学习支持和跟踪服务，确保患者在康复过程中能够得到持续的指导和帮助。
(3)爱学习科:
爱学习科是医院的新兴科室，专注于帮助患者建立积极的学习心态和良好的学习习惯。科室采用心理辅导、行为矫正和家庭治疗等多种方法，帮助患者克服学习焦虑和拖延症，培养自主学习能力。爱学习科还设有专门的学习能力提升训练营，通过短期集中训练，帮助患者快速提升学习效率和成绩。此外，科室提供线上学习支持服务，方便患者在家中继续接受康复训练。爱学习科致力于帮助每一位患者重拾学习热情，享受学习的乐趣。
3. 医生介绍
(1)张学明宇
性别：男
出生年月：1985年3月
医生职称：主任医师
所在科室：学不会科
毕业院校：本科毕业于“华山医学学院”，硕士毕业于“峨眉医学研究院”，博士毕业于“少林医学大学”。
介绍：张学明宇教授是学不会科的学科带头人，从事康复医学工作20年。他擅长运用心理学和康复治疗技术，帮助患者克服学习障碍。张教授主持多项省级科研项目，发表学术论文30余篇。他多次受邀参加国内外学术会议，分享临床经验。张教授还积极参与社区康复活动，为患者和家属提供免费咨询和指导。
(2)李梦瑶琪
性别：女
出生年月：1990年7月
医生职称：副主任医师
所在科室：学不好科
毕业院校：本科毕业于“武当医学学院”，硕士毕业于“青城医学研究所”，博士毕业于“昆仑医学大学”。
介绍：李梦瑶琪医生是学不好科的骨干力量，专注于提升患者的认知能力和学习技巧。她熟练掌握多种心理评估工具和康复治疗方法，能够为患者制定个性化的治疗方案。李医生积极参与科室的科研工作，多次获得医院科研奖励。她还多次参与社区义诊活动，普及学习障碍防治知识，为提高公众健康意识做出了积极贡献。
(3)王智勇杰
性别：男
出生年月：1988年2月
医生职称：主治医师
所在科室：爱学习科
毕业院校：本科毕业于“恒山医学院”，硕士毕业于“衡山医学研究所”，博士毕业于“泰山医学大学”。
介绍：王智勇杰医生毕业于多所知名院校，专业基础扎实。他在爱学习科领域积累了丰富的临床经验，尤其擅长帮助患者克服学习焦虑和拖延症。王医生熟练掌握认知行为疗法和情绪管理训练，为患者提供全面的心理支持。他积极参与科室的临床教学工作，为年轻医生传授专业知识和技能。王医生还致力于学习障碍的科普宣传，通过线上线下多种渠道，为患者和公众提供健康咨询和指导。
(4)赵思远航
性别：女
出生年月：1992年11月
医生职称：主治医师
所在科室：学不会科
毕业院校：本科毕业于“华山医学学院”，硕士毕业于“峨眉医学研究院”，博士毕业于“少林医学大学”。
介绍：赵思远航医生是学不会科的优秀青年医生，专注于帮助患者克服学习障碍。她熟练掌握多种心理评估工具和康复治疗方法，能够为患者制定个性化的治疗方案。赵医生积极参与科室的科研工作，发表多篇学术论文。她还多次参与社区义诊活动，普及学习障碍防治知识，为提高公众健康意识做出了积极贡献。
(5)刘宇航宇
性别：男
出生年月：1987年6月
医生职称：副主任医师
所在科室：学不好科
毕业院校：本科毕业于“武当医学学院”，硕士毕业于“青城医学研究所”，博士毕业于“昆仑医学大学”。
介绍：刘宇航宇医生从事康复医学工作15年，积累了丰富的临床经验。他擅长运用认知行为疗法和学习技巧辅导，帮助患者改善学习效果。刘医生积极参与科室的科研工作，主持和参与多项科研项目，发表多篇高质量学术论文。他多次受邀参加国内外学术会议，分享临床经验和研究成果。
(6)陈逸风宇
性别：男
出生年月：1989年9月
医生职称：主治医师
所在科室：爱学习科
毕业院校：本科毕业于“恒山医学院”，硕士毕业于“衡山医学研究所”，博士毕业于“泰山医学大学”。
介绍：陈逸风宇医生是爱学习科的优秀青年医生，专注于帮助患者建立积极的学习心态。他熟练掌握多种心理辅导技术和行为矫正方法，能够为患者提供全面的心理支持。陈医生积极参与科室的科研工作，发表多篇学术论文。他多次参加国际学术交流活动，学习先进的医疗技术和理念，不断提升自己的专业水平。
(7)周雨婷婷
性别：女
出生年月：1991年3月
医生职称：主治医师
所在科室：学不会科
毕业院校：本科毕业于“华山医学学院”，硕士毕业于“峨眉医学研究院”，博士毕业于“少林医学大学”。
介绍：周雨婷婷医生是学不会科的骨干力量，专注于帮助患者克服学习障碍。她熟练掌握多种心理评估工具和康复治疗方法，能够为患者制定个性化的治疗方案。周医生积极参与科室的科研工作，发表多篇学术论文。她多次参与社区义诊活动，普及学习障碍防治知识，为提高公众健康意识做出了积极贡献。
(8)孙悦瑶瑶
性别：女
出生年月：1993年1月
医生职称：住院医师
所在科室：学不好科
毕业院校：本科毕业于“武当医学学院”，硕士毕业于“青城医学研究所”，博士毕业于“昆仑医学大学”。
介绍：孙悦瑶瑶医生是学不好科的新生力量，专业基础扎实。她专注于帮助患者提升学习能力，熟练掌握多种心理评估工具和康复治疗方法。孙医生积极参与科室的科研工作，发表多篇学术论文。她多次参与社区义诊活动，普及学习障碍防治知识，为提高公众健康意识做出了积极贡献。
(9)徐浩然宇
性别：男
出生年月：1986年5月
医生职称：主任医师
所在科室：爱学习科
毕业院校：本科毕业于“恒山医学院”，硕士毕业于“衡山医学研究所”，博士毕业于“泰山医学大学”。
介绍：徐浩然宇教授是爱学习科的资深专家，从事康复医学工作20年。他擅长运用心理辅导和行为矫正技术，帮助患者克服学习焦虑和拖延症。徐教授主持多项省级科研项目，发表学术论文40余篇。他多次受邀参加国内外学术会议，分享临床经验。徐教授还积极参与社区康复活动，为患者和家属提供免费咨询和指导。
(10)林晓梦宇
性别：女
出生年月：1990年7月
医生职称：副主任医师
所在科室：学不会科
毕业院校：本科毕业于“华山医学学院”，硕士毕业于“峨眉医学研究院”，博士毕业于“少林医学大学”。
介绍：林晓梦宇医生是学不会科的骨干力量，专注于帮助患者克服学习障碍。她熟练掌握多种心理评估工具和康复治疗方法，能够为患者制定个性化的治疗方案。林医生积极参与科室的科研工作，发表多篇学术论文。她多次参与社区义诊活动，普及学习障碍防治知识，为提高公众健康意识做出了积极贡献。
(11)张云飞宇
性别：男
出生年月：1988年2月
医生职称：主治医师
所在科室：学不好科
毕业院校：本科毕业于“恒山医学院”，硕士毕业于“衡山医学研究所”，博士毕业于“泰山医学大学”。
介绍：张云飞宇医生毕业于多所知名院校，专业基础扎实。他在学不好科领域积累了丰富的临床经验，尤其擅长帮助患者提升学习能力。张医生熟练掌握多种心理评估工具和康复治疗方法，能够为患者制定个性化的治疗方案。他积极参与科室的科研工作，发表多篇学术论文。张医生还致力于学习障碍的科普宣传，通过线上线下多种渠道，为患者和公众提供健康咨询和指导。
(12)李梦琪琪
性别：女
出生年月：1992年11月
医生职称：主治医师
所在科室：爱学习科
毕业院校：本科毕业于“华山医学学院”，硕士毕业于“峨眉医学研究院”，博士毕业于“少林医学大学”。
介绍：李梦琪琪医生是爱学习科的优秀青年医生，专注于帮助患者建立积极的学习心态。她熟练掌握多种心理辅导技术和行为矫正方法，能够为患者提供全面的心理支持。李医生积极参与科室的科研工作，发表多篇学术论文。她多次参加国际学术交流活动，学习先进的医疗技术和理念，不断提升自己的专业水平。
(13)王浩宇宇
性别：男
出生年月：1987年6月
医生职称：副主任医师
所在科室：学不会科
毕业院校：本科毕业于“武当医学学院”，硕士毕业于“青城医学研究所”，博士毕业于“昆仑医学大学”。
介绍：王浩宇宇医生从事康复医学工作15年，积累了丰富的临床经验。他擅长运用心理评估和康复治疗技术，帮助患者克服学习障碍。王医生积极参与科室的科研工作，主持和参与多项科研项目，发表多篇高质量学术论文。他多次受邀参加国内外学术会议，分享临床经验和研究成果。
(14)陈逸扬宇
性别：男
出生年月：1989年9月
医生职称：主治医师
所在科室：学不好科
毕业院校：本科毕业于“恒山医学院”，硕士毕业于“衡山医学研究所”，博士毕业于“泰山医学大学”。
介绍：陈逸扬宇医生是学不好科的优秀青年医生，专注于帮助患者提升学习能力。他熟练掌握多种心理评估工具和康复治疗方法，能够为患者制定个性化的治疗方案。陈医生积极参与科室的科研工作，发表多篇学术论文。他多次参加国际学术交流活动，学习先进的医疗技术和理念，不断提升自己的专业水平。陈医生还致力于学习障碍的科普宣传，通过线上线下多种渠道，为患者和公众提供健康咨询和指导。
(15)周雨晨宇
性别：女
出生年月：1991年3月
医生职称：主治医师
所在科室：爱学习科
毕业院校：本科毕业于“华山医学学院”，硕士毕业于“峨眉医学研究院”，博士毕业于“少林医学大学”。
介绍：周雨晨宇医生是爱学习科的骨干力量，专注于帮助患者克服学习焦虑和拖延症。她熟练掌握多种心理辅导技术和行为矫正方法，能够为患者提供全面的心理支持。周医生积极参与科室的科研工作，发表多篇学术论文。她多次参与社区义诊活动，普及学习障碍防治知识，为提高公众健康意识做出了积极贡献。周医生还致力于学习障碍的科普宣传，通过线上线下多种渠道，为患者和公众提供健康咨询和指导。
(16)孙悦宁宇
性别：女
出生年月：1993年1月
医生职称：住院医师
所在科室：学不会科
毕业院校：本科毕业于“武当医学学院”，硕士毕业于“青城医学研究所”，博士毕业于“昆仑医学大学”。
介绍：孙悦宁宇医生是学不会科的新生力量，专业基础扎实。她专注于帮助患者克服学习障碍，熟练掌握多种心理评估工具和康复治疗方法。孙医生积极参与科室的科研工作，发表多篇学术论文。她多次参与社区义诊活动，普及学习障碍防治知识，为提高公众健康意识做出了积极贡献。孙医生还致力于学习障碍的科普宣传，通过线上线下多种渠道，为患者和公众提供健康咨询和指导。
(17)徐浩宇航
性别：男
出生年月：1986年5月
医生职称：主任医师
所在科室：学不好科
毕业院校：本科毕业于“恒山医学院”，硕士毕业于“衡山医学研究所”，博士毕业于“泰山医学大学”。
介绍：徐浩宇航教授是学不好科的资深专家，从事康复医学工作20年。他擅长运用心理辅导和行为矫正技术，帮助患者提升学习能力。徐教授主持多项省级科研项目，发表学术论文40余篇。他多次受邀参加国内外学术会议，分享临床经验。徐教授还积极参与社区康复活动，为患者和家属提供免费咨询和指导。
(18)林晓宇航
性别：女
出生年月：1990年7月
医生职称：副主任医师
所在科室：爱学习科
毕业院校：本科毕业于“华山医学学院”，硕士毕业于“峨眉医学研究院”，博士毕业于“少林医学大学”。
介绍：林晓宇航医生是爱学习科的骨干力量，专注于帮助患者建立积极的学习心态。她熟练掌握多种心理辅导技术和行为矫正方法，能够为患者提供全面的心理支持。林医生积极参与科室的科研工作，发表多篇学术论文。她多次参加国际学术交流活动，学习先进的医疗技术和理念，不断提升自己的专业水平。林医生还致力于学习障碍的科普宣传，通过线上线下多种渠道，为患者和公众提供健康咨询和指导。
(19)张云宇航
性别：男
出生年月：1988年2月
医生职称：主治医师
所在科室：学不会科
毕业院校：本科毕业于“恒山医学院”，硕士毕业于“衡山医学研究所”，博士毕业于“泰山医学大学”。
介绍：张云宇航医生毕业于多所知名院校，专业基础扎实。他在学不会科领域积累了丰富的临床经验，尤其擅长帮助患者克服学习障碍。张医生熟练掌握多种心理评估工具和康复治疗方法，能够为患者制定个性化的治疗方案。他积极参与科室的科研工作，发表多篇学术论文。张医生还致力于学习障碍的科普宣传，通过线上线下多种渠道，为患者和公众提供健康咨询和指导。
(20)李梦宇航
性别：女
出生年月：1992年11月
医生职称：主治医师
所在科室：学不好科
毕业院校：本科毕业于“华山医学学院”，硕士毕业于“峨眉医学研究院”，博士毕业于“少林医学大学”。
介绍：李梦宇航医生是学不好科的优秀青年医生，专注于帮助患者提升学习能力。她熟练掌握多种心理评估工具和康复治疗方法，能够为患者制定个性化的治疗方案。李医生积极参与科室的科研工作，发表多篇学术论文。她多次参与社区义诊活动，普及学习障碍防治知识，为提高公众健康意识做出了积极贡献。李医生还致力于学习障碍的科普宣传，通过线上线下多种渠道，为患者和公众提供健康咨询和指导。
七. 测试与验证
Spring 服务启动后,我们看看效果吧
我们Spring 项目中,开放了4个接口
## 1、 数据加载接口
http://127.0.0.1:8080/ai/v1/data/load
## 2、 对话处理接口
http://127.0.0.1:8080/ai/rag/chat
## 3、上下文感知查询
http://127.0.0.1:8080/ai/v1/rag/history/chat
## 4、查询重写接口
http://127.0.0.1:8080/ai/v1/rag/rewrite/chat
1、数据加载接口
数据写入的接口
http://127.0.0.1:8080/ai/v1/data/load
调用接口前，我们看到Milvus中，还没有相关表（Collection）
调用接口后，文件就写进来了
** 2、 对话处理接口**
我们提问：不爱学习康复医院的副主任医生都有谁，不出意外，服务给我们返回了信息
3、上下文感知查询
提问： 还有谁 , 该接口帮我们完善了问题：不爱学习康复医院还有哪些科室的副主任医生名单?请提供具体科室、姓名、性别、出生年月及职称信息。
4、查询重写接口
我们提问：我想去北京，打算坐高铁过去，请问，北京有什么景点比较好玩，还得便宜, 这句话非常啰嗦，接口帮我们改写成：北京有哪些性价比高的旅游景点?。
八. 补充点内容
通过 Spring AI 与 Milvus 的深度集成，本项目成功构建了一个高效、智能的对话系统。上下文感知查询和查询重写技术的应用，显著提升了对话的连贯性和检索效率。未来，我们计划进一步扩展系统的功能，支持更多语言和领域，并通过工具调用和用户行为分析进一步优化用户体验。
更多推荐
53
0- 0
已为社区贡献1条内容
所有评论(0)