REST Controllers：统一的 API 入口，处理 HTTP 请求
业务服务层：
- Resume Service：简历上传、解析、AI 分析
  - Interview Service：面试会话管理、问题生成、答案评估
  - Knowledge Service：知识库上传、文本分块、向量化
  - RAG Chat Service：检索增强生成，流式问答
异步处理层：基于 Redis Stream 的消费者，异步处理耗时的 AI 任务（如简历分析、向量化、面试评估）
AI 集成层：Spring AI + DashScope（通义千问）。统一的 LLM 调用接口，支持对话生成和文本向量化。

数据存储层：

PostgreSQL + pgvector：
- 关系数据：简历、面试记录、知识库元数据
- 向量检索：存储文档向量，支持相似度搜索
Redis：
- 会话缓存：面试会话状态
- 消息队列：Redis Stream 实现异步任务队列
RustFS/MinIO (S3)：原始文件（简历 PDF、知识库文档）

异步处理流程：

简历分析、知识库向量化和面试报告生成采用 Redis Stream 异步处理，这里以简历分析和知识库向量化为例介绍一下整体流程：

上传请求 → 保存文件 → 发送消息到 Stream → 立即返回
                              ↓
                      Consumer 消费消息
                              ↓
                    执行分析/向量化任务
                              ↓
                      更新数据库状态
                              ↓
                   前端轮询获取最新状态

状态流转： PENDING → PROCESSING → COMPLETED / FAILED

知识库问答处理流程：

知识库问答 → 问题向量化 → pgvector 相似度搜索 → 检索相关文档
                                                      ↓
                                构建 Prompt → LLM 生成回答 → SSE 流式返回

技术栈概览

后端技术

技术	版本	说明
Spring Boot	4.0	应用框架
Java	21	开发语言
Spring AI	2.0	AI 集成框架
PostgreSQL + pgvector	14+	关系数据库 + 向量存储
Redis	6+	缓存 + 消息队列（Stream）
Apache Tika	2.9.2	文档解析
iText 8	8.0.5	PDF 导出
MapStruct	1.6.3	对象映射
Gradle	8.14	构建工具

前端技术

技术	版本	说明
React	18.3	UI 框架
TypeScript	5.6	开发语言
Vite	5.4	构建工具
Tailwind CSS	4.1	样式框架
React Router	7.11	路由管理
Framer Motion	12.23	动画库
Recharts	3.6	图表库
Lucide React	0.468	图标库

技术选型常见问题解答

这里只是简单介绍，后续我会分享文章详细拷打技术选型。

为什么选择 Spring AI？

Spring AI 是 Spring 官方推出的 AI 集成框架，提供了统一的 LLM 调用抽象。选择它的原因：

统一抽象：一套代码支持多种 LLM 提供商（OpenAI、阿里云 DashScope、Ollama 等），切换模型只需修改配置
Spring 生态集成：与 Spring Boot 无缝集成，支持自动配置、依赖注入、声明式调用
内置向量存储支持：原生支持 pgvector、Milvus、Pinecone 等向量数据库，简化 RAG 开发
结构化输出：通过 BeanOutputConverter 将 LLM 输出直接映射为 Java 对象，无需手动解析 JSON

// 示例：Spring AI 结构化输出
var converter = new BeanOutputConverter<>(ResumeAnalysisDTO.class);
String result = chatClient.prompt()
    .system(systemPrompt)
    .user(userPrompt + converter.getFormat())
    .call()
    .content();
return converter.convert(result);  // 直接得到 Java 对象

数据存储为什么选择 PostgreSQL + pgvector？

本项目需要同时存储结构化数据（简历、面试记录）和向量数据（文档 Embedding）。方案对比：

方案	优点	缺点
PostgreSQL + pgvector	一套数据库搞定，运维简单	向量检索性能不如专业向量库
PostgreSQL + Milvus	向量检索性能更好	多一个组件，运维复杂度增加
PostgreSQL + Pinecone	云托管，无需运维	成本高，数据在第三方

选择 pgvector 的理由：

架构简单：不引入额外组件，降低部署和运维复杂度
性能够用：HNSW 索引支持毫秒级检索，万级文档场景完全够用
事务一致性：向量数据和业务数据在同一数据库，天然支持事务
SQL 查询：可以结合 WHERE 条件过滤，比如"只在某个分类的知识库中检索"

-- pgvector 相似度搜索示例
SELECT content, 1 - (embedding <=> $1) as similarity
FROM vector_store
WHERE metadata->>'category' = 'Java'
ORDER BY embedding <=> $1
LIMIT 5;

为什么不选择 MySQL 搭配向量数据库呢？

PostgreSQL 最大的优势，也是它在 AI 时代甩开对手的“王牌”，就是其强大的可扩展性。开发者可以在不修改内核的情况下，像“即插即用”一样为数据库安装各种功能强大的插件，这让 PostgreSQL 变成了一个无所不能的“数据瑞士军刀”。

AI 向量检索？ 有官方推荐的 pgvector 扩展，性能强大，生态成熟，足以媲美专业的向量数据库。
全文搜索？ 内置支持（能满足基础需求），或使用 pg_bm25 等扩展。
时序数据？ 有顶级的 TimescaleDB 扩展。
地理信息？ 有行业标准的 PostGIS 扩展。

这种“一站式”解决能力，正是其魅力所在。它意味着许多项目不再需要依赖 Elasticsearch、Milvus 等大量外部中间件，仅凭一个增强版的 PostgreSQL 即可满足多样化需求，从而极大地简化了技术栈，降低了开发和运维的复杂度与成本。

关于 MySQL 和 PostgreSQL 的详细对比，可以参考我写的这篇文章：MySQL vs PostgreSQL，如何选择？。

为什么引入 Redis？

本项目主要有两个场景用到了 Redis：

Redis 替代 ConcurrentHashMap 实现会话的缓存。
基于 Redis Stream 实现简历分析、知识库向量化等场景的异步（还能解耦，分析和向量化可以使用其他编程语言来做）。

为什么引入 Redis Stream？为何不选择 Kafka、RabbitMQ 等更成熟的消息队列？

简历分析、知识库向量化等 AI 任务耗时较长（10-60 秒），不适合同步处理。需要消息队列实现异步解耦。

维度	Redis Stream	RabbitMQ	Kafka	内存队列
吞吐量	高（十万级 QPS）	中（万级 QPS）	极高（百万级，水平扩展）	极高（千万级/秒，受限于 CPU/内存）
延迟	极低（亚毫秒级）	低（毫秒级）	中（毫秒到十毫秒级）	极低（纳秒/微秒级）
持久化	支持（RDB/AOF）	支持（Mnesia/磁盘）	强支持（原生分段日志）	无（进程终止即失）
消息堆积能力	一般（受限于内存）	中（磁盘堆积，性能下降明显）	极强（TB 级磁盘存储）	差（受限于堆内存）
消费模式	发布订阅 / 消费者组	灵活路由 / 多种交换机模式	发布订阅 / 消费者组	点对点 / 多消费者（取决于实现）
消息回溯	支持（按 ID / 时间范围）	不支持	强支持（按 Offset / 时间戳）	不支持
消息顺序性	单 Stream 有序	单队列有序	单 Partition 有序	有序（单队列）
可靠性	中（异步复制可能丢失）	高（Publisher Confirm / 事务）	极高（多副本 ISR + acks）	低（无持久化、无确认）
运维复杂度	低	中	高（KRaft 模式已简化）	极低
适用场景	轻量级流处理、已有 Redis 基础设施	复杂路由、企业级集成	大数据流、事件溯源、日志聚合	进程内解耦、极致性能场景

选择 Redis Stream 的理由：

复用现有组件：Redis 已用于会话缓存，无需引入新中间件
功能满足需求：支持消费者组、消息确认（ACK）、持久化
运维简单：对于中小型项目，Redis Stream 完全够用

构建工具为什么选择 Gradle？

SpringBoot 官方现在用的就是 Gradle，加上国内现在都是 Maven 更多，换个 Gradle 还更新颖一些。

个人也更喜欢用 Gradle，也写过相关的文章：Gradle 核心概念总结。

为什么使用 MapStruct？

项目中有大量 Entity ↔ DTO 转换需求，MapStruct 是编译时代码生成的对象映射框架：

方案	性能	类型安全	使用复杂度
MapStruct	零反射，最快	编译时检查	定义接口即可
BeanUtils	反射，慢	运行时报错	一行代码
ModelMapper	反射，较慢	运行时报错	配置复杂
手写转换	最快	编译时检查	重复代码多

为什么使用 Apache Tika？

系统需要解析多种格式的文档（PDF、Word、TXT），Apache Tika 是 Apache 基金会的文档解析库：

格式支持全：PDF、DOCX、DOC、TXT、HTML、Markdown 等上百种格式
自动识别：根据文件内容自动检测格式，无需依赖文件扩展名
文本提取：统一的 API 提取纯文本，屏蔽格式差异

// Tika 解析示例
Tika tika = new Tika();
String content = tika.parseToString(inputStream);  // 自动识别格式并提取文本

为什么使用 SSE 而不是 WebSocket？

知识库问答需要流式输出（像 ChatGPT 那样逐字显示），有两种技术选择：

方案	优点	缺点
SSE	简单，基于 HTTP，单向推送	仅支持服务端 → 客户端
WebSocket	双向通信，功能强大	协议复杂，需要维护连接状态

选择 SSE 的理由：

场景匹配：LLM 流式输出是单向的（服务端 → 客户端），不需要双向通信
实现简单：基于 HTTP，天然支持重连、跨域
Spring 支持好：Flux<ServerSentEvent<String>> 一行代码搞定

前端为什么选择 React + TypeScript + Tailwind CSS？

技术	选择理由
React	生态最成熟，组件化开发，社区资源丰富
TypeScript	类型安全，IDE 智能提示，减少运行时错误
Vite	开发服务器启动快（秒级），HMR 热更新体验好
Tailwind CSS	原子化 CSS，快速开发，无需写 CSS 文件

效果展示

简历与面试

简历库：

简历上传分析：

简历分析详情：

面试记录：

面试详情：

模拟面试：

知识库

知识库管理：

问答助手：

page-qa-assistant

项目结构

这是项目前后端的结构说明：

  interview-guide/
  ├── app/                                    # 后端 Spring Boot 应用
  │   ├── src/main/java/interview/guide/
  │   │   ├── App.java                        # 启动类
  │   │   │
  │   │   ├── common/                         # 公共模块
  │   │   │   ├── config/                     # 配置类（CORS、S3存储等）
  │   │   │   ├── constant/                   # 常量定义
  │   │   │   ├── exception/                  # 全局异常处理
  │   │   │   ├── model/                      # 公共模型（如异步任务状态）
  │   │   │   └── result/                     # 统一响应封装 Result<T>
  │   │   │
  │   │   ├── infrastructure/                 # 基础设施层
  │   │   │   ├── file/                       # 文件处理（解析、存储、校验）
  │   │   │   │   ├── DocumentParseService    # Apache Tika 文档解析
  │   │   │   │   ├── FileStorageService      # S3 文件存储
  │   │   │   │   ├── FileHashService         # SHA-256 哈希计算
  │   │   │   │   └── FileValidationService   # 文件类型/大小校验
  │   │   │   ├── redis/                      # Redis 操作封装
  │   │   │   │   ├── RedisService            # 通用 Redis 操作 + Stream 消费
  │   │   │   │   └── InterviewSessionCache   # 面试会话缓存
  │   │   │   ├── mapper/                     # MapStruct 对象映射
  │   │   │   └── export/                     # PDF 导出服务
  │   │   │
  │   │   └── modules/                        # 业务模块
  │   │       ├── resume/                     # 简历模块
  │   │       │   ├── ResumeController        # REST API
  │   │       │   ├── model/                  # Entity + DTO
  │   │       │   ├── repository/             # JPA Repository
  │   │       │   ├── service/                # 业务逻辑
  │   │       │   │   ├── ResumeUploadService     # 上传处理
  │   │       │   │   ├── ResumeGradingService    # AI 分析评分
  │   │       │   │   └── ResumePersistenceService # 持久化
  │   │       │   └── listener/               # 异步消费者
  │   │       │       ├── AnalyzeStreamProducer   # 发送分析任务
  │   │       │       └── AnalyzeStreamConsumer   # 消费并执行分析
  │   │       │
  │   │       ├── interview/                  # 面试模块
  │   │       │   ├── InterviewController
  │   │       │   ├── model/
  │   │       │   ├── repository/
  │   │       │   ├── service/
  │   │       │   │   ├── InterviewSessionService   # 会话管理
  │   │       │   │   ├── InterviewQuestionService  # 问题生成
  │   │       │   │   └── AnswerEvaluationService   # 答案评估
  │   │       │   └── listener/
  │   │       │       └── EvaluateStreamConsumer    # 异步评估
  │   │       │
  │   │       └── knowledgebase/              # 知识库模块
  │   │           ├── KnowledgeBaseController # 知识库管理 API
  │   │           ├── RagChatController       # RAG 问答 API（支持 SSE）
  │   │           ├── model/
  │   │           ├── repository/
  │   │           │   └── VectorRepository    # 向量数据操作
  │   │           ├── service/
  │   │           │   ├── KnowledgeBaseUploadService  # 上传处理
  │   │           │   ├── KnowledgeBaseVectorService  # 向量化
  │   │           │   ├── KnowledgeBaseQueryService   # RAG 检索 + 生成
  │   │           │   └── RagChatSessionService       # 聊天会话管理
  │   │           └── listener/
  │   │               └── VectorizeStreamConsumer     # 异步向量化
  │   │
  │   └── src/main/resources/
  │       ├── application.yml                 # 主配置文件
  │       └── prompts/                        # AI 提示词模板
  │           ├── resume-analysis-*.st        # 简历分析提示词
  │           ├── interview-question-*.st     # 面试问题生成提示词
  │           ├── interview-evaluation-*.st   # 面试评估提示词
  │           └── knowledgebase-query-*.st    # RAG 问答提示词
  │
  ├── frontend/                               # 前端 React 应用
  │   ├── src/
  │   │   ├── main.tsx                        # 入口文件
  │   │   ├── App.tsx                         # 根组件 + 路由配置
  │   │   │
  │   │   ├── api/                            # API 请求层
  │   │   │   ├── request.ts                  # Axios 封装 + 拦截器
  │   │   │   ├── resume.ts                   # 简历 API
  │   │   │   ├── interview.ts                # 面试 API
  │   │   │   ├── knowledgebase.ts            # 知识库 API
  │   │   │   └── ragChat.ts                  # RAG 聊天 API（含 SSE）
  │   │   │
  │   │   ├── pages/                          # 页面组件
  │   │   │   ├── UploadPage.tsx              # 简历上传
  │   │   │   ├── HistoryPage.tsx             # 简历列表
  │   │   │   ├── ResumeDetailPage.tsx        # 简历详情 + 分析结果
  │   │   │   ├── InterviewPage.tsx           # 模拟面试
  │   │   │   ├── InterviewHistoryPage.tsx    # 面试记录
  │   │   │   ├── KnowledgeBaseUploadPage.tsx # 知识库上传
  │   │   │   ├── KnowledgeBaseManagePage.tsx # 知识库管理
  │   │   │   └── KnowledgeBaseQueryPage.tsx  # 知识库问答
  │   │   │
  │   │   ├── components/                     # 通用组件
  │   │   │   ├── Layout.tsx                  # 页面布局（侧边栏 + 内容区）
  │   │   │   ├── FileUploadCard.tsx          # 文件上传卡片
  │   │   │   ├── AnalysisPanel.tsx           # 分析结果展示
  │   │   │   ├── InterviewChatPanel.tsx      # 面试问答交互
  │   │   │   ├── RadarChart.tsx              # 雷达图（Recharts）
  │   │   │   ├── CodeBlock.tsx               # 代码块高亮
  │   │   │   └── ConfirmDialog.tsx           # 确认弹窗
  │   │   │
  │   │   ├── types/                          # TypeScript 类型定义
  │   │   └── utils/                          # 工具函数
  │   │
  │   ├── package.json
  │   └── vite.config.ts
  │
  ├── docker/                                 # Docker 相关
  │   └── postgres/init.sql                   # 数据库初始化（pgvector 扩展）
  │
  ├── docker-compose.yml                      # 一键部署编排
  ├── .env.example                            # 环境变量模板
  └── README.md

后端分层详细介绍：

层级	目录	职责
Controller	`modules/*/Controller`	REST API 入口，参数校验，调用 Service
Service	`modules/*/service/`	业务逻辑，事务管理
Repository	`modules/*/repository/`	数据访问，JPA 查询
Model	`modules/*/model/`	Entity 实体 + DTO 传输对象
Listener	`modules/*/listener/`	Redis Stream 异步消费者
Infrastructure	`infrastructure/`	通用基础设施（文件、缓存、导出）
Common	`common/`	公共配置、异常、常量

学习本项目你将获得什么？

本项目采用最新主流的 Java 技术栈，是市面上第一个基于 SpringBoot4.x+SpringAI2.x 的实战项目以及教程。

项目整体难易程度一般，即使你的编程基础一般，按照项目教程也能顺利走完。

通过学习这个项目，你不仅能掌握最新的 Java AI 生态工具，还能学会如何构建一个生产级别的大模型应用。

深度掌握 AI 应用开发核心范式

本项目是学习 LLM 应用开发的绝佳实践案例：

Spring AI 2.0 实战：掌握如何通过统一抽象接口对接多种大模型（如通义千问、OpenAI），实现“零成本”模型切换。
Prompt Engineering（提示词工程）：学习如何编写结构化的 System/User Prompt，并利用 BeanOutputConverter 实现 LLM 输出到 Java 对象的自动化映射，告别繁琐的 JSON 手动解析。
RAG 全链路实现：深度理解“文档解析 -> 文本分块 -> 向量化 (Embedding) -> 向量数据库存储 -> 相似度检索 -> 上下文增强生成”的完整闭环。

现代化的 Java 后端架构思维

本项目采用了目前 Java 社区最前沿的技术组合：

拥抱 Java 21 & Spring Boot 4.0：提前布局最新版本的特性（如 record、虚拟线程等），让你的技术栈领先市场。
模块化单体架构：学习如何通过清晰的分层逻辑（Modules + Infrastructure + Common）组织代码，使系统既具备微服务的解耦特性，又保留单体应用的部署便捷性。
高性能对象转换：通过 MapStruct 替代传统的反射拷贝，学习在追求极致性能的场景下如何优雅地处理 Entity 与 DTO 的映射。

高级数据存储与中间件应用

避开盲目引入复杂中间件的坑，学习“最合适”的选型逻辑：

PostgreSQL + pgvector 的“一站式”方案：学习如何使用一套数据库同时处理关系型业务数据和 AI 向量数据，掌握 HNSW 索引在万级文档场景下的优化实践。
Redis Stream 异步任务处理：深入理解为什么在 AI 耗时任务（10-60s）场景下选择 Redis Stream 而非 Kafka。掌握基于 消息队列 实现系统解耦和流量削峰的真实手段。
文件处理专家系统：利用 Apache Tika 构建通用的文档解析引擎，处理 PDF、Word、TXT 等多种格式，提升处理非结构化数据的能力。

工程化与部署能力

标准化交付：学习使用 Gradle 进行项目构建，掌握其相比 Maven 的灵活性优势。
容器化部署：通过 Docker Compose 实现数据库（含扩展）、缓存、后端应用的一键式环境搭建，理解生产环境下的基础设施配置。

前端工程化与交互设计

对于后端同学，这也是一次绝佳的“全栈能力”升级机会：

SSE (Server-Sent Events) 流式渲染：掌握像 ChatGPT 一样逐字输出回答的实现技术，理解其相比 WebSocket 在单向推送场景下的优势。
响应式与动画设计：使用 Tailwind CSS 快速构建美观的 UI，结合 Framer Motion 提升用户交互体验。
数据可视化：通过 Recharts 将 AI 分析后的简历评分、维度对比以直观的雷达图等形式展现。

总结

很多 AI 项目只停留在调用一个 API。而本项目带你解决的是真实工程问题：

如何处理大模型响应慢的问题？（异步处理 + Redis Stream）
如何让大模型输出格式固定的数据？（结构化 Prompt + MapStruct）
如何让大模型基于私有文档回答？（RAG + pgvector）

本项目为 JavaGuide 知识星球内部专属实战项目，通过语雀文档在线阅读学习，不单独对外开放。

除了实战项目之外，我的星球还有很多其他服务（比如简历优化、一对一提问、高频考点突击资料等），欢迎详细了解我的知识星球。

已经坚持维护六年，内容持续更新，虽白菜价（0.4 元/天）但质量很高，主打一个良心！

仅需 149（价格即将上调，老用户续费半价，微信扫码即可续费），两本书的价格，就能让你拥有上万培训班的服务！

知识星球30元优惠卷