# RAG 迁移到 Spring AI VectorStore 检索抽象

**状态**：待规划  
**严重程度**：高  
**发现时间**：2026-07-05  
**范围**：向量检索、Milvus 接入、RAG 框架化改造

---

## 背景

当前系统的向量检索链路主要由项目手写实现：

- `VectorIndexService` 负责向量化和写入 Milvus。
- `VectorSearchService` 直接使用 Milvus SDK 查询。
- `LookupKnowledgeTool` 自己组织 L0/L1 检索结果。

这能满足 MVP 打通链路，但继续扩展 RAG 能力时，容易把项目变成自研搜索框架。

项目当前已引入 Spring AI / Spring AI Alibaba 依赖，可以考虑迁移到 Spring AI 的 `VectorStore`、`VectorStoreDocumentRetriever` 等标准抽象。

---

## 问题

当前手写 Milvus 检索存在几个成本：

1. topK、similarity threshold、metadata filter 等逻辑分散在业务代码中。
2. 检索结果结构和 Spring AI RAG Advisor 生态不兼容。
3. 后续接入 query transformer、post processor、advisor 时需要重复适配。
4. Milvus SDK 直接调用让业务层承担了过多基础设施细节。

---

## 改造方向

优先引入 Spring AI 的 Milvus VectorStore 能力：

```text
当前：
VectorSearchService -> Milvus SDK

目标：
LookupKnowledgeTool / RAG Service
  -> VectorStoreDocumentRetriever
  -> Spring AI VectorStore
  -> Milvus
```

业务层保留：

- `lookup_knowledge` 工具入口
- `tool_invocation` 记录
- sessionId / category / domain 等业务上下文

底层检索交给框架：

- topK
- similarity threshold
- metadata filter
- vector search options

---

## 验收标准

- `VectorSearchService` 不再直接散落 Milvus 查询细节，至少封装到 Spring AI `VectorStore` 适配层。
- 支持按 `category` 或其他 metadata filter 检索。
- 检索结果仍能记录到 `tool_invocation`。
- 现有 AIOps / Chat 检索链路行为保持兼容。

---

## 相关文件

- `pom.xml`
- `src/main/java/com/superbiz/agent/service/VectorSearchService.java`
- `src/main/java/com/superbiz/agent/service/VectorIndexService.java`
- `src/main/java/com/superbiz/agent/tool/LookupKnowledgeTool.java`
- `src/main/resources/application.yml`