- 我的帖子已经打上 开源推广 标签： 是
- 我的开源项目完整开源，无未开源部分： 是
- 我的开源项目已链接认可 LINUX DO 社区： 是
- 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是
- 以上选择我承诺是永久有效的，接受社区和佬友监督： 是
以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出
今天想给佬们分享一个我最近做的开源项目 —— DD_Rag，一个基于 SpringAI + SpringAIAlibaba 的“组织知识库 + AI 助手”的 Java RAG 实战项目。
有帮助的话点点star
起因其实很简单：很多 Java 后端想做 AI 项目，我也不例外。所以我做了这个相对完整一些的 Java AI 项目：DD_Rag。它不是一个单纯的聊天 Demo，而是把 文档入库、权限隔离、混合检索、证据回答、Agent Tool 调用、会话记忆 这些真实工程问题串起来，尽量做成一个更接近业务场景的系统。
在线演示地址：
http://106.55.44.191:5173/login
GitHub 仓库：
github.com
GitHub - t1804330987/DD_Rag: 一个面向“组织知识库 + AI 助手”的 Java RAG...
一个面向“组织知识库 + AI 助手”的 Java RAG 实战项目，把权限隔离、文档入库、混合检索、证据约束、Agent 工具调用和 Docker 部署串成了一条完整工程链路。如果你正在找一个能写进简历、能讲清架构、能覆盖 Spring AI / Spring AI Alibaba 技术点的项目，DD_Rag 值得 Star。
关于在线演示的一点说明：
在线体验地址部署在我自己的轻量服务器上，机器配置比较有限。大家可以注册账号体验完整流程，但还请佬们手下留情，不要用并发压测工具直接冲服务。
核心功能
- 文档一键入库，构建知识库
上传文档后，系统会自动完成文档解析、文本清洗、结构化切片、向量化入库，并建立关键词索引。 - 混合检索 + 证据回答
支持PgVector + Elasticsearch混合检索，并通过RRF做结果融合，让回答既有语义相关性，也保留关键词命中能力。 - 基于证据回答，无证据拒答
系统不会盲目“编答案”，而是尽量约束模型基于检索证据回答，没证据时直接拒答，减少幻觉。 - 组织级权限隔离
支持组、成员、管理员等不同权限边界，避免“所有人都能看所有知识”的伪知识库设计。 - Agent + Tool Calling
模型本身并不知道你的业务数据，所以必须通过受控 Tool 获取上下文。项目里做了个人智能助手、知识库 Tool 调用、短期记忆和会话摘要等能力。 - 可本地化部署
支持 Docker Compose 部署，既可以单机跑，也可以双机拆分部署，方便自己练手或做演示环境。
技术栈
项目目前还在持续迭代，主要技术栈如下，也欢迎 Java 方向的朋友一起交流：
- 后端：Spring Boot 3.5、Java21
- AI 框架：Spring AI 1.1.2 + Spring AI Alibaba 1.1.2.0
- 检索增强：RAG
- Agent 能力：ReactAgent + Tool Calling
代理能力：ReactAgent + 工具调用 - 存储与检索：PostgreSQL + PgVector + Elasticsearch + MinIO
- 模型接入：Ollama + DashScope
- 前端：Vue 3
- 部署：Docker Compose
这个项目适合谁
我觉得它比较适合下面几类人：
- 想做 Java + AI 项目练手的人
- 想做 毕业设计 / 简历项目 的同学
- 想系统学习 Spring AI / Spring AI Alibaba / RAG / Agent 的开发者
- 想从“会调模型 API”进阶到“能搭完整 AI 系统”的后端工程师
部署与体验
项目已经支持 Docker Compose 部署，如果你想自己拉下来跑，可以直接看仓库里的部署文档。
目前演示环境已经可用，欢迎大家体验、提建议、提 Issue。
如果你正在准备 Java AI 方向的项目，或者想找一个稍微完整一点、不是纯聊天框的 Spring AI 实战项目，DD_Rag 可以直接拿来参考。
3 个帖子 - 2 位参与者