Spring AI 实战：把内存换成 PgVector + Redis，让 RAG 服务重启不丢数据

前言：从“能跑”到“能一直跑”

前三篇结束时，我的物流智能客服系统已经能对话、能查知识库、能调工具。但在本地跑通和真正上生产之间，往往隔着一个致命的痛点：只要服务一重启，所有数据全没了。

在开发初期，为了快速验证链路，通常会采用 Spring AI 默认提供的内存实现：

• 向量检索使用 SimpleVectorStore，数据存放在 JVM 堆内存中；
• 会话记忆使用 InMemoryChatMemory，上下文同样驻留于内存。

这意味着只要应用发版、重启或发生节点漂移，知识库文档就必须全部重新做一次 Embedding 并写入，既消耗大量 API Token，又拖慢冷启动时间；同时，用户正在进行的物流咨询上下文也会立即归零，造成客服“失忆”。

要让 RAG 服务从“玩具阶段”走向企业级生产，必须实现状态持久化。本文将带大家将内存存储替换为 PostgreSQL (pgvector) 向量数据库与 Redis 对话记忆库。

---

架构选型与分工

在持久化改造中，我们明确拆分两类数据的生命周期与读写特点：

组件	对应场景	核心诉求	选型
向量存储 (VectorStore)	物流知识库（退换货政策、运费规则等）	高维向量近似搜索 (ANN)、持久化、低频写入高频检索	PostgreSQL + pgvector
会话记忆 (ChatMemory)	智能客服与用户的多轮对话上下文	高频低延迟读写、TTL 过期自动清理、分布式共享	Redis

---

第一步：环境搭建与依赖引入

1. 启动 PgVector 与 Redis 容器

通过 docker-compose.yml 快速拉起包含向量扩展的 PostgreSQL 实例以及 Redis 服务：

yaml version: '3.8' services: pgvector: image: pgvector/pgvector:pg16 container_name: logistics-pgvector environment: POSTGRES_DB: logistics_ai POSTGRES_USER: postgres POSTGRES_PASSWORD: password123 ports: - "5432:5432" volumes: - pgdata:/var/lib/postgresql/data

redis: image: redis:7-alpine container_name: logistics-redis ports: - "6379:6379" command: redis-server --appendonly yes volumes: - redisdata:/data

volumes: pgdata: redisdata:

2. 引入 Maven 依赖

在 pom.xml 中移除旧的内存向量库依赖，引入 Spring AI PgVector Starter 与 Spring Data Redis：

xml org.springframework.ai spring-ai-pgvector-store-spring-boot-starter

<!-- Spring Boot Redis Starter -->
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-data-redis</artifactId>
</dependency>

---

第二步：向量库改造（PgVector）

1. 基础配置

在 application.yml 中配置 PostgreSQL 连接及 PgVectorStore 的建表参数：

yaml spring: datasource: url: jdbc:postgresql://localhost:5432/logistics_ai username: postgres password: password123 ai: vectorstore: pgvector: index-type: HNSW distance-type: COSINE_DISTANCE dimensions: 1536 # 与使用的 Embedding 模型维度一致（如 text-embedding-3-small） table-name: vector_store_logistics initialize-schema: true # 启动时自动建表与向量索引

2. 向量知识库入库逻辑

由于底层改为了持久化表，我们只需在首次启动或知识库更新时进行导入，无需每次随应用启动重复构建：

java @Component public class KnowledgeBaseLoader implements CommandLineRunner {

@Autowired
private VectorStore vectorStore;

@Override
public void run(String... args) {
    // 检查是否已有数据，避免重复导入
    List<Document> existing = vectorStore.similaritySearch("退换货政策", 1);
    if (existing.isEmpty()) {
        List<Document> docs = List.of(
            new Document("极速达物流退货规则：用户签收后7日内可申请无理由退货，生鲜快件除外。", Map.of("category", "refund")),
            new Document("运费计算标准：首重1kg按12元计费，续重每公斤加收5元。", Map.of("category", "shipping"))
        );
        vectorStore.add(docs);
    }
}

}

---

第三步：会话记忆持久化（Redis）

为了支持分布式环境下的会话保持，我们将 ChatMemory 的底层存取委托给 Redis。

1. 自定义 RedisChatMemory

基于 Spring Data Redis 实现对话历史的序列化与持久存储：

java @Configuration public class ChatMemoryConfig {

@Bean
public ChatMemory chatMemory(StringRedisTemplate redisTemplate) {
    return new ChatMemory() {
        private final String PREFIX = "chat:memory:";

        @Override
        public void add(String conversationId, List<Message> messages) {
            // 将新消息序列化后存入 Redis List，并刷新 TTL
            String key = PREFIX + conversationId;
            for (Message msg : messages) {
                redisTemplate.opsForList().rightPush(key, serialize(msg));
            }
            redisTemplate.expire(key, Duration.ofDays(7));
        }

        @Override
        public List<Message> get(String conversationId, int lastN) {
            String key = PREFIX + conversationId;
            List<String> raw = redisTemplate.opsForList().range(key, -lastN, -1);
            return raw == null ? List.of() : raw.stream().map(this::deserialize).toList();
        }

        @Override
        public void clear(String conversationId) {
            redisTemplate.delete(PREFIX + conversationId);
        }

        // 序列化与反序列化逻辑省略
        private String serialize(Message msg) { ... }
        private Message deserialize(String json) { ... }
    };
}

}

2. 挂载到 ChatClient Advisor

在构建 ChatClient 时，注册 MessageChatMemoryAdvisor，使每轮交互自动绑定该会话的持久化上下文：

java @RestController @RequestMapping("/api/chat") public class LogisticsChatController {

private final ChatClient chatClient;

public LogisticsChatController(ChatClient.Builder builder, VectorStore vectorStore, ChatMemory chatMemory) {
    this.chatClient = builder
            .defaultAdvisors(
                    new QuestionAnswerAdvisor(vectorStore, SearchRequest.defaults().withTopK(3)),
                    new MessageChatMemoryAdvisor(chatMemory)
            )
            .build();
}

@GetMapping
public String chat(@RequestParam String conversationId, @RequestParam String message) {
    return chatClient.prompt()
            .user(message)
            .advisors(advisorSpec -> advisorSpec.param(AbstractChatMemoryAdvisor.CHAT_MEMORY_CONVERSATION_ID_KEY, conversationId))
            .call()
            .content();
}

}

---

第四步：重启验证

完成代码改造后，我们执行以下流程测试持久化可靠性：

1. 多轮问答建立状态：向接口发送会话 conv-1001，告知客服“我买了一箱苹果，昨天刚签收，想退货”。AI 结合知识库回答生鲜不适用7天无理由退货。
2. 硬重启应用：直接终止 Java 进程并重新启动服务。
3. 追问验证：使用相同 conversationId 发送“那我买的衣服可以退吗？”
4. 结果比对：服务没有重新加载向量库，且能立刻结合前置上下文给出正确回复，证明 PgVector 检索与 Redis 会话上下文在重启后全部生效。

---

总结

将内存方案替换为 PgVector + Redis，是 Spring AI 应用从技术验证走向生产部署的关键一步：

• PgVector 依托成熟的关系型数据库体系，既满足了高维向量检索需求，又降低了独立维护专用向量数据库的运维门槛；
• Redis 负责多轮会话状态共享，不仅能优雅应对应用重启与弹性扩缩容，还可以通过 TTL 机制控制内存占用。

至此，物流智能客服系统具备了真正“一直跑”的基础稳定性。

Please wait...