企业官网建设流程全解析

大家好，我是直奔標杆！专注Java开发者AI转型实战分享，从零基础到项目落地，每一步都力求干货满满、可直接上手，和大家一起突破技术瓶颈，向AI全栈工程师稳步迈进～

欢迎来到《Spring AI 零基础到实战》系列的第二十六课！这节课咱们要解决一个核心痛点——打破本地知识库的“信息围墙”，让咱们的AI知识库不仅能回答私有文档里的问题，还能实时联网获取最新资讯，真正实现“全能应答”！

在之前的课程中，咱们搭建的个人知识库就像一位“闭门苦读”的学者：通过ETL流水线喂给它什么私有文档（RAG），它就只能回答什么。这种模式虽然保证了输出的严谨性和数据安全性，但局限性也很致命——面对实时数据、最新资讯，它就彻底“束手无策”。

举个很实际的例子：如果用户在对话框提问：“java开发文档是什么？另外，今天北京天气怎么样？” 前半句，咱们本地向量库能轻松给出答案；但后半句的实时天气，本地资料库根本不可能有存储，传统RAG系统只能生硬回复“本地资料库中没有提供该信息”，体验感大打折扣。

今天，直奔標杆就带大家把RAG检索与Function Calling工具调用彻底缝合，让大模型化身为具备自主决策能力的Agent（智能体）：当本地知识库“答不上来”时，它会自动触发联网搜索，主动获取实时信息——这才是AI知识库该有的样子！

本节课咱们全程实战，手把手带大家在本地部署开源免Key的聚合搜索引擎SearXNG，再将其挂载到Spring AI中，完成从“封闭知识库”到“智能Agent”的升级，话不多说，直接上干货！

本节学习目标（建议收藏，对照实操）

• 认知升级：搞懂Fallback（兜底/回退）机制在AI Agent架构中的路由决策逻辑，明白“本地检索+联网兜底”的核心价值；

• 实操落地：用Docker快速私有化部署SearXNG隐私聚合搜索引擎，全程免Key，新手也能一次成功；

• 工具封装：基于Spring RestClient，零成本将SearXNG封装为大模型可调用的Function工具，无需第三方SDK；

• 架构缝合：在ChatClient中同时挂载RAG与联网搜索工具，亲眼见证大模型的混合编排能力，完成实战测试。

Agent 混合路由图（核心逻辑必看）

引入联网搜索工具后，咱们的系统不再是单向的线性流水线，大模型相当于拥有了一个“多功能工具箱”，会在底层自动进行路由仲裁。简单来说，数据流的切换逻辑如下（建议结合实操理解）：

用户提问 → 大模型先检索本地RAG向量库 → 能找到答案→ 直接返回（标注本地来源）；找不到答案→ 触发Fallback机制→ 调用SearXNG联网搜索→ 获取实时结果→ 大模型归纳后返回（标注联网来源）。

这个逻辑的核心的是“优先本地、兜底联网”，既保证了私有数据的安全严谨，又解决了实时信息获取的痛点。

核心实操一：认识并部署SearXNG（免Key开源神器）

很多小伙伴担心联网搜索需要申请API Key、配置复杂，今天咱们用的SearXNG完美解决这个问题——它是一款开源、免费、保护隐私的“元搜索引擎（Metasearch Engine）”，自身不爬取网页，而是将搜索关键词分发给百度、Bing、DuckDuckGo等多家搜索引擎，再聚合返回纯净结果。

最关键的是，它原生支持JSON格式返回结果，简直是为咱们的AI Agent量身定制的！接下来，用Docker快速部署，全程复制命令即可，新手也能搞定。

Docker部署SearXNG（Mac/Linux版，Windows可参考适配）

温馨提示：部署前确保Docker已启动，若未启动，先启动Docker（Windows启动Docker Desktop，Linux执行sudo systemctl start docker），避免部署失败。另外，若8888端口被占用，可替换为其他空闲端口（如8889），具体方法后面会补充。

# 1. 创建配置和数据持久化目录（避免容器删除后配置丢失） mkdir -p /Users/docker-data/searxng/config/ /Users/docker-data/searxng/data/ cd /Users/docker-data/searxng # 2. 启动SearXNG容器（映射到8888端口，可根据需求修改） docker run --name searxng -d \ -p 8888:8080 \ -v "./config/:/etc/searxng/" \ -v "./data/:/var/cache/searxng/" \ docker.io/searxng/searxng:latest

部署避坑提示：若执行命令后容器未启动，可执行docker logs searxng查看日志排查问题。常见问题：端口冲突（用lsof -i:8888查看占用进程，kill -9 进程ID即可）、Docker未启动（启动Docker后重新执行命令）。

启动成功后，打开浏览器访问 http://localhost:8888 ，就能体验这款隐私搜索引擎了，界面简洁，无广告、不追踪，非常适合作为咱们AI Agent的联网工具。

核心实操二：开发SearXNG搜索工具（Spring AI封装）

部署好SearXNG后，下一步就是将它封装成大模型可调用的Function工具。这里不需要引入任何第三方SDK，直接用Spring Boot内置的RestClient，配合Spring AI的@Bean和@Description注解，就能轻松实现，直奔標杆已经把完整代码整理好，大家直接复制到项目中，稍作修改即可使用。

public class AiToolsConfig { /** * 注册 SearXNG 联网搜索工具 * 备注：@Description注解很关键，大模型会根据这个描述判断何时调用该工具 */ @Bean(WEB_SEARCH_TOOL) @Description("联网实时搜索引擎。当本地知识库无法回答最新资讯、实时数据（如股价、天气、新闻）等问题时，调用此工具获取互联网实时信息进行补充。") public Function<WebSearchRequest, String> webSearchTool(RestClient.Builder restClientBuilder) { RestClient restClient = restClientBuilder.baseUrl(SEARXNG_BASE_URL).build(); // 这里的SEARXNG_BASE_URL就是咱们部署的本地地址：http://localhost:8888 return request -> { log.info("[Agent 路由] RAG 本地知识不足，触发 SearXNG 联网搜索，关键词: [{}]", request.keyword()); try { // 向本地 SearXNG 发起 GET 请求，获取搜索结果（JSON格式） String responseJson = restClient.get() .uri(uriBuilder -> uriBuilder // 补充完整请求参数，这里省略的部分可参考SearXNG官方API文档 .queryParam("q", request.keyword()) .queryParam("format", "json") // 指定返回JSON格式 .build()) .retrieve() .body(String.class); // 解析 JSON 提取content摘要，只保留核心信息，避免冗余 JsonNode rootNode = objectMapper.readTree(responseJson); JsonNode resultsNode = rootNode.path("results"); if (resultsNode.isMissingNode() || resultsNode.isEmpty()) { return "联网搜索未找到相关信息，请基于已有知识尽力回答。"; } // 提取Top N条摘要返回（建议取3条以内，避免信息过多影响大模型归纳） List<String> summaries = new ArrayList<>(); for (int i = 0; i < Math.min(MAX_RESULTS, resultsNode.size()); i++) { String content = resultsNode.get(i).path("content").asText(""); summaries.add(content); } log.info("[Agent 路由] SearXNG 搜索完成，返回 {} 条摘要", summaries.size()); return "【联网实时搜索摘要】:\n" + String.join("\n---\n", summaries); } catch (Exception e) { log.error("[Agent 路由] SearXNG 搜索异常: {}", e.getMessage()); return "联网搜索暂时不可用，请基于本地知识库内容尽力回答。"; } }; } }

底层细节剖析（必懂，避免踩坑）

很多小伙伴封装工具后，发现大模型不调用，核心问题就是没搞懂这个底层逻辑，直奔標杆给大家拆解清楚：

1. 入参WebSearchRequest：Spring AI底层会自动将其反射解析为parameters结构，咱们只需要定义好keyword参数即可；

2. 工具调用触发：当大模型判断本地知识库无法回答问题时，会输出一个特殊的Tool Call指令（包含{"keyword": "查询关键词"}）；

3. 自动执行与结果返回：Spring框架拦截到Tool Call指令后，会自动触发上面的Lambda表达式，调用SearXNG获取结果，再将结果回传给大模型，大模型最终归纳生成回答。

这里重点提醒：@Description注解的描述一定要精准，要明确告诉大模型“什么时候该调用这个工具”，否则大模型可能会乱调用或不调用。

核心实操三：挂载工具+Prompt调优（关键一步）

工具封装好后，需要把它挂载到大模型的“工具箱”里，同时调整System Prompt，让大模型知道如何混合使用本地RAG和联网搜索工具，两步就能搞定。

第一步：挂载工具到ChatClient

进入咱们之前写的聊天模型策略类（如DeepSeekChatStrategy），在ChatClient.builder中追加.defaultTools()，将封装好的搜索工具挂载进去，代码如下：

@Component public class DeepSeekChatStrategy implements ChatModelStrategy { private final ChatClient chatClient; public DeepSeekChatStrategy(DeepSeekChatModel deepSeekChatModel) { this.chatClient = ChatClient.builder(deepSeekChatModel) // 挂载 SearXNG 搜索工具，与本地RAG工具协同工作 .defaultTools(AiToolsConfig.WEB_SEARCH_TOOL) .build(); } // ... 省略其他代码（保持不变即可） }

第二步：调优System Prompt（核心配置）

如果不调整Prompt，大模型可能不知道优先使用本地知识库，或者不会区分信息来源，咱们微微放宽ChatServiceImpl里的System Prompt约束，明确规则：

private static final String SYSTEM_PROMPT = """ 你是一个由 Spring AI 驱动的全能知识库助手，由直奔標杆开发维护，专注于为Java开发者提供精准、全面的回答。 请优先根据提供的本地文档参考资料回答用户问题，确保回答的严谨性和准确性。 如果本地资料不足以回答（例如涉及实时数据、最新资讯、本地未收录的知识点等）， 你可以调用可用的联网搜索工具webSearchTool获取互联网信息进行补充。 回答时请清晰区分信息来源：明确标注“本地知识库”和“联网搜索”，提升用户体验。 """;

核心实操四：流转测试（验证成果）

所有配置完成后，咱们发起一次混合边界测试，验证本地RAG和联网搜索是否能正常协同工作，步骤如下：

1. 启动咱们的Spring Boot项目，确保SearXNG容器处于运行状态；

2. 打开浏览器，发起请求（替换为自己的项目端口和chatId）：

http://localhost:8099/api/chat/stream?chatId=春风不晚&model=deepseek&message=java开发文档是什么？另外，今天北京天气怎么样？

【结果验证】大家可以查看服务端控制台日志，会看到如下关键信息，说明路由和搜索正常：

[Agent 路由] RAG 本地知识不足，触发 SearXNG 联网搜索，关键词: [今天北京天气] [Agent 路由] SearXNG 搜索完成，返回 3 条摘要

同时，浏览器会以SSE流式响应的方式返回结果，类似这样：

data:由于提供的参考资料中没有包含天气信息，我需要使用联网搜索工具来获取最新的北京天气情况。根据您的问题，我来分别回答：

data:【本地知识库】java开发文档是......（此处为本地RAG返回的内容）

data:【联网搜索】今天北京天气为......（此处为SearXNG联网返回的实时天气）

如果能看到这样的结果，说明咱们的实战已经成功了！如果出现异常，优先查看SearXNG容器是否正常运行、端口是否冲突、工具挂载是否正确。

本节课总结（重点回顾）

今天这节课，咱们完成了一个关键升级——打破本地知识库的围墙，将RAG检索与SearXNG联网搜索完美缝合，核心收获有3点，大家可以对照自查：

• 掌握了Fallback兜底机制的路由逻辑，理解了“本地优先、联网兜底”的AI Agent核心思想；

• 实操部署了SearXNG搜索引擎，学会了Docker部署的关键步骤和常见问题排查方法；

• 完成了搜索工具的封装与挂载，实现了本地RAG与联网搜索的协同工作，解决了实时信息获取的痛点。

这里再和大家多说一句：AI时代，Java开发者的核心竞争力不再是单纯的CRUD，而是“智能中枢编排”——将不同的工具、组件缝合起来，实现更强大的功能。咱们今天做的，就是从“CRUD搬运工”向“智能架构师”转型的关键一步。

至此，咱们个人知识库的后端开发就全部完成了！从ETL流水线、记忆交互、来源追溯，到今天的联网增强，每一步都是实战落地，大家跟着实操下来，相信已经掌握了Spring AI的核心用法。

下期预告（干货预警）

【第二十七课：Spring AI 个人知识库实战（六）- 前端联调实战】

下节课，直奔標杆将带大家搞定前端联调，用HTML + Vue 3 (CDN) 写一个简单的单页面应用，对接咱们的PDF上传接口，解析SSE混合数据流，实现顺滑的打字机特效和引用卡片，让咱们的知识库既有强大的后端能力，又有美观的前端界面！

精彩继续，咱们下节课不见不散～

往期内容回顾（连贯学习不迷路）

• Java开发者AI转型第二十三课！Spring AI个人知识库实战（二）：异步ETL流水线搭建与避坑指南

• Java开发者AI转型第二十四课！Spring AI 个人知识库实战（三）——记忆交互+SSE流式响应落地

• Java开发者AI转型第二十五课！Spring AI 个人知识库实战（四）——RAG来源追溯落地，拒绝AI幻觉

我是直奔標杆，专注Java开发者AI转型实战分享，每节课都力求干货、可落地。如果大家在实操中遇到问题，欢迎在评论区留言交流，咱们一起学习、一起进步，早日实现AI转型！