Akina AI Assistant

Akina AI Assistant

一个基于 Spring AI 框架构建的智能助手项目，集成了多种 AI 模型和 MCP (Model Context Protocol) 工具，提供知识库管理、文档处理和智能对话功能。

🚀 项目特性

• 多模型支持: 集成 OpenAI 和 Ollama 模型，支持文本生成、图像理解和流式响应
• MCP 工具集成: 支持文件系统操作和计算机信息获取等 MCP 工具
• 向量数据库: 支持 PgVector 和 SimpleVectorStore 两种向量存储方案
• 知识库管理: 支持文档上传、向量化和相似性搜索
• 多模态支持: 支持文本和图像输入处理
• 流式响应: 支持实时流式对话体验

📁 项目结构

Akina-AI-Assistant/
├── ai-mcp-knowledge-app/          # 主应用模块
│   ├── src/main/java/com/akina/knowledge/
│   │   ├── Application.java       # 应用启动类
│   │   └── config/               # 配置类
│   │       ├── OllamaConfig.java # Ollama 配置
│   │       └── OpenaiConfig.java # OpenAI 配置
│   ├── src/main/resources/
│   │   ├── application.yml       # 主配置文件
│   │   ├── application-dev.yml   # 开发环境配置
│   │   └── config/
│   │       └── mcp-servers-config.json # MCP 服务器配置
│   └── src/test/java/            # 测试类
├── ai-mcp-knowledge-trigger/     # 触发器模块
├── docs/                        # 文档和运维配置
│   └── dev-ops/
│       ├── docker-compose-environment.yml # Docker 环境配置
│       ├── pgvector/sql/init.sql # 数据库初始化脚本
│       └── redis/redis.conf      # Redis 配置
└── pom.xml                      # Maven 父项目配置

🛠️ 技术栈

• 框架: Spring Boot 3.4.3
• AI 框架: Spring AI 1.0.0-M6
• 数据库: PostgreSQL + PgVector 扩展
• 缓存: Redis 6.2
• 构建工具: Maven 3.x
• Java 版本: JDK 17

📋 依赖组件

AI 模型支持

• OpenAI: 支持 GPT-4o、DeepSeek 等模型
• Ollama: 支持本地部署的 DeepSeek-R1 等模型

向量数据库

• PgVector: 基于 PostgreSQL 的向量数据库
• SimpleVectorStore: 内存向量存储

MCP 工具

• 文件系统工具: 支持文件读写操作
• 计算机信息工具: 获取系统配置信息

🚀 快速开始

环境要求

• JDK 17+
• Maven 3.x
• PostgreSQL 12+ (支持 PgVector 扩展)
• Redis 6.2+
• Docker & Docker Compose (可选)

1. 克隆项目

git clone 
cd Akina-AI-Assistant

2. 启动依赖服务

使用 Docker Compose 快速启动环境：

cd docs/dev-ops
docker-compose up -d

这将启动以下服务：

• PostgreSQL (端口: 5432)
• Redis (端口: 16379)
• Redis Admin (端口: 8081)
• PgAdmin (端口: 5050)

3. 配置应用

编辑 ai-mcp-knowledge-app/src/main/resources/application-dev.yml：

spring:
  datasource:
    url: jdbc:postgresql://localhost:5432/springai
    username: postgres
    password: postgres
  ai:
    openai:
      base-url: https://api.deepseek.com  # 或你的 OpenAI API 地址
      api-key: your-api-key
      chat:
        options:
          model: deepseek-chat
    ollama:
      base-url: http://your-ollama-server:11434
      embedding:
        model: nomic-embed-text

4. 构建和运行

# 构建项目
mvn clean install

# 运行应用
cd ai-mcp-knowledge-app
mvn spring-boot:run

应用将在 http://localhost:8088 启动。

🔧 配置说明

MCP 服务器配置

在 config/mcp-servers-config.json 中配置 MCP 服务器：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/path/to/your/directory"
      ]
    },
    "mcp-server-computer": {
      "command": "java",
      "args": [
        "-jar",
        "path/to/mcp-server-computer.jar"
      ]
    }
  }
}

向量数据库配置

项目支持两种向量存储方案：

1. PgVector (推荐生产环境)

- 表名: vector_store_openai (1536 维) - 表名: vector_store_ollama_deepseek (768 维)

1. SimpleVectorStore (适合开发测试)

- 基于内存存储

🧪 测试功能

项目提供了完整的测试用例：

基础功能测试

# 测试 OpenAI 模型
mvn test -Dtest=OpenAiTest

# 测试 Ollama 模型
mvn test -Dtest=OllamaTest

# 测试 MCP 工具
mvn test -Dtest=MCPTest

知识库功能测试

• 文档上传和向量化
• 相似性搜索
• RAG (检索增强生成) 对话

📚 使用示例

1. 基础对话

@Autowired
private ChatClient chatClient;

public String chat(String message) {
    return chatClient.prompt(message).call().content();
}

2. 文档上传和向量化

@Autowired
private PgVectorStore vectorStore;

public void uploadDocument(String filePath) {
    TikaDocumentReader reader = new TikaDocumentReader(filePath);
    List documents = reader.get();
    List splitDocuments = tokenTextSplitter.apply(documents);
    
    // 添加元数据
    splitDocuments.forEach(doc -> 
        doc.getMetadata().put("knowledge", "知识库名称"));
    
    vectorStore.accept(splitDocuments);
}

3. 知识库问答

public String ragChat(String question) {
    SearchRequest request = SearchRequest.builder()
        .query(question)
        .topK(5)
        .filterExpression("knowledge == '知识库名称'")
        .build();
    
    List documents = vectorStore.similaritySearch(request);
    String context = documents.stream()
        .map(Document::getText)
        .collect(Collectors.joining());
    
    return chatClient.prompt(question)
        .system("基于以下文档回答问题: " + context)
        .call().content();
}

🔍 功能特性详解

多模型支持

• OpenAI: 支持 GPT-4o、DeepSeek 等商业模型
• Ollama: 支持本地部署的开源模型
• 流式响应: 支持实时流式对话体验

MCP 工具集成

• 文件系统工具: 支持文件读写、目录操作
• 计算机信息工具: 获取系统配置、硬件信息

知识库管理

• 文档处理: 支持多种格式文档解析 (Tika)
• 向量化: 支持 OpenAI 和 Ollama 嵌入模型
• 相似性搜索: 基于向量相似度的文档检索

🐳 Docker 部署

项目提供了完整的 Docker 环境配置：

# 启动所有服务
docker-compose up -d

# 查看服务状态
docker-compose ps

# 查看日志
docker-compose logs -f

📝 开发指南

添加新的 AI 模型

1. 在 pom.xml 中添加相应依赖
2. 创建配置类 (参考 OllamaConfig.java)
3. 添加测试用例

添加新的 MCP 工具

1. 在 mcp-servers-config.json 中配置服务器
2. 在 OpenaiConfig.java 中注册工具
3. 编写测试用例验证功能

🤝 贡献指南

1. Fork 项目
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 打开 Pull Request

📄 许可证

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。

📞 联系方式

• 项目维护者: Akina Team
• 邮箱: [1037462262@qq.com]
• 项目链接:

🙏 致谢

• Spring AI - 强大的 AI 集成框架
• PgVector - PostgreSQL 向量扩展
• Ollama - 本地 AI 模型运行环境
• Model Context Protocol - AI 工具集成协议