大家好，我是二哥呀。

每次修改简历，看到不少球友还在点评和外卖上努力雕花，就有一种无力感。不是说这俩项目不好，这俩项目足够优秀，就是用的太多了。

如果不是 92 本硕这种头部选手，我是不建议用的，毕竟站在面试官的立场，他看多了也会头皮发麻。大家可以想想是不是这个道理。😄

当然了，说外卖和点评烂大街，我肯定是要提供一些解决方案的。

这不，历经 4 个月，派聪明 RAG 知识库项目终于完工（包括源码和教程，全部交付给大家）！

不容易啊。

派聪明是 9 月份上线的，截止到目前，已经取得了非常瞩目的成绩，我这里晒一下哈。

说句真心话，看到这，就可以无脑冲这个项目了，因为这些，还只是冰山一角。扫下面的优惠券（或者长按自动识别）解锁派聪明源码和教程吧，星球目前定价 159 元/年，优惠完只需要 129 元，每天不到 0.35 元，绝对的超值。

派聪明如何写到简历上：https://paicoding.com/column/10/2

这篇内容我先带大家了解一下什么是派聪明，我为什么要做派聪明这个企业级的 RAG 知识库？派聪明这个 AI 项目能让大家学到什么？以及如何解锁派聪明的源码仓库和教程？

一、派聪明的起源

了解技术派的球友应该知道，派聪明最初是技术派实战项目中一部分，主打的服务是和 AI 大模型进行聊天对话（没有检索增强生成）。

技术派这个项目也是非常经典，帮助 24、25 届，以及 26 届同学斩获了很多超出预期的 offer，我们这里就不多讲了，只贴一个喜报，一位球友靠技术派和面渣逆袭，投了两周拿下小红书的日常实习。

技术派这个项目如果你能认真学完，会收获非常非常多，基本上一个企业级的 Web 开发项目用到的技术栈，技术派都覆盖到了。

那为了延续正宗的皇家血脉，我把派聪明这三个字延续到了新的 RAG 项目，也就是大家目前看到的这个派聪明 AI 知识库项目（界面还是非常清爽的 😄）。

做 AI 知识库的起源，当然还是 DeepSeek 刚出来那会，我在本地用 Ollama+DeepSeek+Anythingllm 搭了一个本地的面渣逆袭知识库，当时觉得这玩意挺有意思的。刚好星球球友 Lan 来找我说，要不一起做点事吧，我就把我这个想法交给他去落实了。

当时我没有抱很大的期待，因为从一个 idea 萌芽到开花结果，真的很难，但 Lan 信守承诺，很快就把后端搭建好了。用了很多我觉得对大家求职很有帮助的技术栈，比如说 JDK17、ElasticSearch、MySQL、Redis、MinIO、Kafka 等等，并且涉及到了很多 AI 的知识，比如说目前很火的 RAG 技术。

4 月份的时候，机缘巧合，我和朋友【我糖呢】闲聊，就讲起这个项目，他已经悄咪咪的成为一名前端大佬，于是索性我就喊他来做前端，就这样，我们的派聪明团队就算是正式成立了。

下个项目校招派，我打算把 MCP 和 Agent 也加进来。所以，这个项目在 AI 时代，绝对是一个明星级、现象级的实战项目。

二、派聪明的技术栈

先说后端的：

• 框架/依赖管理 : Spring Boot 3.4.2 (Java 17)+Maven
• 数据库 : MySQL 8.0 + Spring Data JPA
• 缓存 : Redis
• 搜索引擎 : Elasticsearch 8.10.0
• 消息队列 : Apache Kafka
• 文件存储/解析 : MinIO + Apache Tika
• 安全认证 : Spring Security + JWT
• AI 集成 : DeepSeek API/本地 Ollama+豆包 Embedding
• 实时通信 : WebSocket
• 响应式编程 : WebFlux

后端的整体项目结构：

src/main/java/com/yizhaoqi/smartpai/
├── SmartPaiApplication.java      # 主应用程序入口
├── client/                       # 外部API客户端
├── config/                       # 配置类
├── consumer/                     # Kafka消费者
├── controller/                   # REST API端点
├── entity/                       # 数据实体
├── exception/                    # 自定义异常
├── handler/                      # WebSocket处理器
├── model/                        # 领域模型
├── repository/                   # 数据访问层
├── service/                      # 业务逻辑
└── utils/                        # 工具类

前端其实用到的技术栈也非常新，包括：

• 框架 : Vue 3 + TypeScript
• 构建工具 : Vite
• UI 组件 : Naive UI
• 状态管理 : Pinia
• 路由 : Vue Router
• 样式 : UnoCSS + SCSS
• 图标 : Iconify
• 包管理 : pnpm

前端的整体项目结构：

frontend/
├── packages/           # 可重用模块
├── public/             # 静态资源
├── src/                # 主应用程序代码
│   ├── assets/         # SVG图标，图片
│   ├── components/     # Vue组件
│   ├── layouts/        # 页面布局
│   ├── router/         # 路由配置
│   ├── service/        # API集成
│   ├── store/          # 状态管理
│   ├── views/          # 页面组件
│   └── ...            # 其他工具和配置
└── ...               # 构建配置文件

三、派聪明的技术架构

看到一张图，和派聪明 RAG 知识库是比较吻合的，我直接贴出来，方便大家一睹为快。

底层大模型我们用的是 DeepSeek。上层的业务是，当你把企业私有的 Word、PDF、txt 丢给派聪明，他就会自动进行向量化处理，支持大文件的断点续传和分片上传，分片状态使用 Redis 的 BitMap 进行保存，文件本身通过 MinIO 进行存储。

具体来说，系统会使用 Apache Tika 从文档中提取出纯文本信息，然后将长文档智能切分成多个语义完整的文本块。

接下来调用豆包的 Embedding 模型，将文本块转换成 2048 维的向量表示，这些向量能够捕捉文本的深层语义信息。然后，会将所有的向量数据和原始文本存入到 Elasticsearch 中，形成一个强大的知识库索引。

// 批量索引文档到 knowledge_base 索引
public void bulkIndex(List<EsDocument> documents) {
    List<BulkOperation> bulkOperations = documents.stream()
            .map(doc -> BulkOperation.of(op -> op.index(idx -> idx
                    .index("knowledge_base") // 指定索引名称
                    .id(doc.getId()) // 文档ID
                    .document(doc) // 文档内容
            )))
            .toList();

    BulkRequest request = BulkRequest.of(b -> b.operations(bulkOperations));
    esClient.bulk(request); // 执行批量索引
}

当用户提出问题后，派聪明会通过 ElasticSearch 进行混合检索：先进行语义的向量搜索，再进行关键词的精排。同时，会根据用户的组织权限，自动过滤出用户有权访问的文档内容。

之后，系统会将这些信息作为上下文，连同用户的问题一起发送给 DeepSeek。DeepSeek 会基于我们封装好的 Prompt，生成准确、相关的回答。整个对话过程采用流式输出，用户可以实时看到 AI 的回答过程，体验非常流畅。

四、为什么要学习派聪明？

在大模型席卷全球的今天，掌握主流 Java 技术栈和 AI 工程化能力已成为学生党和工作党在求职中脱颖而出的关键。

在阿里实习的球友直言，现在没有 RAG 简历都过不去，有关 AI 大模型的项目现在真的非常吃香。并且部门的 HR 也说了，要招聘懂点大模型的人。

星球里也非常多球友在迫切地等待派聪明这个 RAG 项目，相信不用我过多的刻画，大家也都知道 AI 项目现在有多吃香。

那经过 4 个多月的打磨和沉淀，派聪明的代码和文档在 2025 年 7 月 29 日这天算是告一段落了。

我相信，派聪明这个项目一定能解决大家的燃眉之急；我也相信，大家会在接下来的求职当中大展拳脚。

星球已经有了前后端分离项目技术派（里面也有 AI 的聊天对话服务），还有微服务项目 PmHub，以及轮子项目 mydb、涉及到 Spring AI 和 Agent 的校招派（同时进行的另外一个项目）等，这些就足够让大家“喝一壶”的了，教程和源码的获取方式可以查看 👉 星球的第一个置顶帖球友必看。

派聪明主打的技术栈和以上这些项目的技术栈也是完全不重叠的，尤其是 RAG 涉及到的一系列 AI 相关的内容，会让大家在 AI 时代吃进红利。

来看看每篇教程的字数吧，RAG 面试题 27 道，一共 10271 字，还有我亲自负责的手绘图；架构设计篇 25 道面试题，一共 11277 字，市面上能做到这种程度的教程，我敢拍着胸脯说，绝对对得起 100 多块钱的门票。

看到这就想迫不及待地解锁派聪明源码和教程的小伙伴，请扫下面的优惠券（或者长按自动识别）加入我们吧，星球目前定价 159 元/年，优惠完只需要 129 元，每天不到 0.35 元，绝对的超值。

超超超低价给到大家，你去其他机构/社群对比一下，这种硬核的教程和源码最起码要价 1999 元，我们现在只要一百多，为的就是尽量减轻大家的钱包负担，我希望用自己最大的诚意，去俘获大家发自内心的口碑。

五、如何给面试官介绍派聪明？

答：

派聪明作为一个基于 RAG 架构的企业级 AI 知识库系统，其核心意义在于解决现代企业知识管理的痛点，推动组织智能化转型。在信息爆炸的时代，企业积累了大量文档资料，但传统的文件管理方式导致知识孤岛现象严重，员工难以快速获取所需信息，严重影响工作效率。

派聪明通过集成 Apache Tika 文档解析、豆包 Embedding 向量模型、Elasticsearch 混合检索技术和 DeepSeek API，构建了一套完整的智能知识处理流水线。

系统能够自动解析 Word、PDF、TXT 等文档，将非结构化信息转化为可检索的知识资产。更重要的是，基于语义理解的向量检索技术突破了传统关键词匹配的局限，用户通过自然语言描述就能够获得要检索的相关内容。

与依赖预训练的模型不同，RAG 能够实时检索最新的企业内部知识，避免模型幻觉，保持回答的准确性。除此之外，派聪明还实现了细粒度的多租户权限控制，确保不同部门和层级的用户只能访问授权范围内的知识。流式的 AI 聊天功也能让知识获取更加自然和高效。

那假如面试官继续追问：你对 RAG 技术了解多少？你可以这样作答。

RAG，也就是检索增强生成，是当前 AI 领域的一项重要技术，它巧妙地结合了信息检索和文本生成两大能力。简单来说，RAG 就是让 AI 在回答问题时，先去“查资料”，然后基于查到的相关信息来生成回答，而不是仅凭训练时的记忆来“凭空想象”。这种方式能有效解决大语言模型的幻觉问题。

在我参与的派聪明项目中，我们深度实践了 RAG 的技术架构。具体来说，我们的系统分为三个核心环节：

• 首先是知识入库阶段，我们使用 Apache Tika 解析各种格式的企业文档，然后调用豆包的 Embedding 模型将文本转换为向量表示，并存储到 Elasticsearch。
• 其次是检索阶段，当用户提问时，我们同样将问题向量化，然后在 Elasticsearch 中进行混合检索，既包括传统的关键词匹配，也包括基于向量相似度的语义搜索，确保能找到最相关的知识片段。
• 最后是生成阶段，我们将检索到的相关文档作为上下文，连同用户问题一起发送给 DeepSeek，让 AI 基于真实的企业知识来生成准确的回答。

通过派聪明项目的实践，我深刻体会到 RAG 技术的价值所在。它不仅解决了大模型知识更新滞后的问题，更重要的是为企业级 AI 应用提供了可靠的技术路径。这种“有据可查”的 AI 问答方式，让企业用户能够放心地将 RAG 系统应用到实际业务场景中，真正实现 AI 技术的落地。

六、派聪明提供了哪些大模型开发经验？

01、RAG

派聪明最核心的能力就是 RAG，后面还打算增加 MCP 和 Agent 能力，可以说覆盖了整个大模型应用开发的落地经验，并且我们会围绕 RAG 把 AI 相关的一些高频面试题全部讲透。

02、文档上传和解析

如何上传文档？包括断点续传和分片上传。

如何将用户上传的文档转化为可检索的语义向量？

如何通过 ElasticSearch 实现混合检索，包括关键词搜索与语义搜索？

都是 RAG 非常核心的内容模块。

// 文档处理流程：解析 -> 分块 -> 向量化 -> 存储
public void vectorizeFile(MultipartFile file, String userId, String orgTag, boolean isPublic) {
    // 1. 文档解析和分块
    List<String> chunks = fileParsingService.parseAndChunk(file);

    // 2. 批量向量化
    List<float[]> vectors = embeddingClient.batchEmbedding(chunks);

    // 3. 构建文档对象
    List<EsDocument> documents = buildDocuments(chunks, vectors, metadata);

    // 4. 批量存储
    elasticsearchService.bulkIndex(documents);
}

传统的数据库内容查询主要依赖“关键字匹配”，比如说 MySQL 经常用到的 like xxx%，这种对查询的精确度要求很高，假如我们查询的是“如何提供编程技术”，那么数据库只有“Java、Python 等编程语言的教程”，那么就无法搜索到任何内容。

但向量数据库就可以有效解决这个问题，它会把各种知识都转成一组组数据（vector），这些 vector 可以代表知识的内容和特点，当我们在 RAG 知识库中输入要查找的信息时，系统能将输入信息也转成一组组数据，然后找出最相关的知识，从而实现“语义检索”。

那基于向量知识库的语义检索，虽然解决了传统关键词匹配的局限性，但显然关键词搜索这种场景还是需要的，所以派聪明兼具了关键词检索和语义检索两种能力。

03、集成 DeepSeek 和豆包 Embedding

集成大模型 API 的工程实践，比如说如何集成 DeepSeek，实现流式响应与多轮对话？

如何集成豆包 Embedding 进行文档分块的语义转化？

再比如说如何通过 WebSocket 实现实时通信，逐步推送生成内容？

如何通过 Redis 实现的多轮的对话记忆？

都是 AI 时代非常关键的技术能力。那除了调用 DeepSeek API，我们还支持本地私有的 DeepSeek R1 模型部署。

七、派聪明提供了哪些企业级技术栈？

01、Spring Boot 3.4.2+JDK17

派聪明基于 Spring Boot 3.4.2 版本，使用 Java 17 作为开发语言。

这次真的不用 JDK 8 了，🤣

02、Kafka+Redis+MinIO

派聪明通过 Kafka 实现异步任务调度，使用 Redis 缓存优化对话上下文管理，基于 MinIO 实现大文件分片上传与断点续传。

Redis 的八股就不用多说了，有面渣逆袭 Redis 篇，技术派和 PmHub 中都没有用 Kafka，用的的 RabbitMQ 和 RocketMQ，这次把消息队列中的 Kafka 直接补齐，从此以后再也不用担心 MQ 没有落地经验了（齐活）。

MinIO 的话，在处理文件的时候也经常用到，编程喵当时有讲到，但技术派和 PmHub 中都没有应用，这次派聪明我们也一并补齐了。

03、ElasticSearch

集成 Elasticsearch，实现「关键词+语义」的双引擎搜索。目前已经通过 ES 的 bool should 查询实现了关键词+语义的搜索方式。

04、Vue 3+TypeScript+Vite

派聪明全面采用了 Vue 3 的 Composition API，技术派当时用的是 React，等于说前端的三驾马车就只剩下了 Angular。

状态管理采用了 Pinia 这一 Vue 3 官方推荐的状态管理库，相比 Vuex 具有更好的 TypeScript 支持和更简洁的 API 设计。状态管理的模块包含主题管理（theme）、路由管理（route）、标签页管理（tab）、认证管理（auth）、应用状态（app）等。

在 vite.config.ts 中，派聪明配置了完整的开发和生产环境构建策略。Vite 的配置支持环境变量加载（ loadEnv ），实现了不同环境下的差异化配置，如开发环境的代理设置、生产环境的优化策略等。

整个前端采用了 Monorepo 架构，在 frontend/packages 目录下组织了多个独立的功能包，包括 axios 封装、颜色工具、hooks 库、UI 组件、工具函数等。特别值得关注的是 index.ts 中的 HTTP 客户端封装，项目基于 axios 实现了企业级的请求库，支持请求/响应拦截、错误处理、请求取消、重试机制等高级功能。

05、JWT+Spring Security+RBAC

基于 JWT+Spring Security 实现的多租户认证授权体系。当用户登录时，系统会从数据库查询用户信息，然后将用户 ID、角色、组织标签（orgTags）和主组织标签（primaryOrg）等关键信息都打包到 Token 中。

派聪明的多租户权限控制设计了三个层级，非常贴合企业的实际需求。第一层是私人空间权限，以“PRIVATE_”前缀标识的组织标签，只有资源的创建者才能访问，保证用户个人数据的绝对安全。第二层是组织权限，同一个组织标签下的用户可以共享资源，满足团队协作的需求。第三层是公开权限，标记为公开的资源所有用户都能访问，适用于公司公告、共享文档等场景。

06、Mockito+TDD

项目采用了 Mockito 注解驱动的测试模式，践行测试驱动开发（TDD）的理念，每个业务功能都有对应的测试用例，包括正常流程和异常流程。通过 @Mock 注解创建模拟对象，比如 UserRepository，这样就不需要真实的数据库连接，@InjectMocks 注解则自动将模拟对象注入到被测试的服务类当中，这种依赖注入的方式让测试变得非常干净和独立。

八、解锁派聪明源码+教程

那这次为了避免盗版，这次的代码仓库采用的是邀请制，加入星球后，在星球第一个置顶帖【球友必看】中获取邀请链接，审核通过后即可查看。

派聪明的教程，这次托管在技术派教程上，之前只要在技术派上绑定过星球的成员编号，均可以解锁查看。

派聪明教程地址：https://paicoding.com/column/10/1

并且了照顾大家的阅读习惯，我们也会在星球里第一时间同步。

加入「二哥的编程星球」后，你还可以享受以下专属内容服务：

• 1、付费文档: 派聪明 RAG、微服务 PmHub、前后端分离技术派、轮子 MYDB、入门编程喵、AI+MCP 的校招派等项目配套的 60 万+ 字教程查看权限
• 2、简历修改: 提供价值超 600 元的简历修改服务，附赠星球 5000+优质简历模板可供参考
• 3、专属问答: 向二哥和星球嘉宾发起 1v1 提问，内容不限于 offer 选择、学习路线、职业规划等
• 4、面试指南: 获取针对校招、社招的 40 万+字面试求职攻略《Java 面试指南》，以及二哥的 LeetCode 刷题笔记、一灰的职场进阶之路、华为 OD 题库
• 5、学习环境: 打造一个沉浸式的学习环境，有一种高考冲刺、大学考研的氛围

截止到 2025 年 07 月 31 日，已经有 9000+ 球友加入星球了，很多小伙伴在认真学习项目之后，都成功拿到了心仪的校招或者社招 offer，我就随便举两个例子。

目前，派聪明这个项目也收尾了，大家可以放心冲 😊。并且一次购买不需要额外付费，即可获取星球的所有付费资料，帮助你少走弯路，提高学习的效率。直接微信扫下面这个优惠券即可加入。

步骤 ①：微信扫描上方二维码，点击「加入知识星球」按钮

步骤 ②：访问星球置顶帖球友必看：https://t.zsxq.com/11rEo9Pdu，获取项目的源码和配套教程

加入星球需要多少钱呢？星球目前定价 159 元，限时优惠 30 元，目前只需要 129 元就可以加入。

0 人的时候优惠完 69 元，1000 人的时候 79 元，2000 人的时候 89 元，3000 人的时候 99 元，5000 人的时候是 119 元，后面肯定还会继续涨。

付费社群我加入了很多，但从未见过比这更低价格，提供更多服务的社群，光派聪明这个项目的就能让你值回票价。

多说一句，任何时候，技术都是我们程序员的安身立命之本，如果你能认认真真跟完派聪明的源码和教程，相信你的编程功底会提升一大截。

再给大家展示一下派聪明教程的部分目录吧，真的是满满的诚意和干货。

之前就有球友反馈说，“二哥，你这套教程如果让培训机构来卖，1999 元都算少！

讲真心话，这个价格也不会持续很久，星球已经 9000 人了，马上 10000 人会迎来一波新的涨价（169 元），所以早买早享受，不要等，想好了就去冲，错过不能说后悔一辈子，但至少会有遗憾。

我们的代码，严格按照大厂的标准来，无论是整体的架构，还是具体的细节，都是无可挑剔的学习对象。

之前曾有球友问我：“二哥，你的星球怎么不定价 199、299、399 啊，我感觉星球提供的价值远超这个价格啊。”

答案很明确，我有自己的原则，拒绝割韭菜，用心做内容，能帮一个是一个。

不为别的，为的就是给所有人提供一个可持续的学习环境。当然了，随着人数的增多，二哥付出的精力越来越多，星球也会涨价，今天这批 30 元的优惠券不仅 2025 年最大的优惠力度，也是 2026 年最大的优惠力度，现在入手就是最划算的，再犹豫就只能等着涨价了。

想想，QQ 音乐听歌连续包年需要 88 元，腾讯视频连续包年需要 178 元，腾讯体育包年 233 元。我相信，二哥编程星球回馈给你的，将是 10 倍甚至百倍的价值。

最后，希望小伙伴们，能紧跟我们的步伐！不要掉队。今年，和二哥一起翻身、一起逆袭、一起晋升、一起拿高薪 offer！

那无论你是社招还是校招，我们都希望你通过派聪明这个项目，能提升自己的简历含金量，拿到更好的 offer，也能更加从容的应对面试中各种 AI 相关的考察。

冲。