前言

最近整理了一批SpringBoot项目，涵盖了从企业级应用到微服务架构、从AI Agent到高并发场景等多个方向。

这些项目都是完整可运行的，包含了详细的实战代码和架构设计。今天把13个项目的核心内容梳理出来，希望对正在做技术选型或系统设计的读者有所帮助。

1. 企业智能知识库系统

这是一个基于Spring Cloud微服务架构的企业级智能知识库系统。它将大语言模型（LLM）、检索增强生成（RAG）与知识图谱（KAG）深度结合，为企业提供从知识沉淀、智能检索到AI问答的全链路知识管理能力。

项目介绍

系统包含10个独立服务模块，采用Nacos作为注册中心，通过API Gateway统一入口、RabbitMQ异步事件总线实现服务间解耦。具体模块设计如下：

• kb-gateway（8080）：API网关，JWT鉴权过滤、CORS、请求日志、统一响应格式化
• kb-user-auth（8081）：用户认证与权限管理，JWT签发/校验、RBAC权限模型、团队管理、邮箱验证
• kb-document（8082）：文档核心服务，文档CRUD、分类树、标签、评论、收藏、审阅流程、版本历史与Diff对比、访问控制与分享、Markdown编辑、自动保存、MongoDB文档内容存储
• kb-search（8083）：全文检索引擎，ElasticSearch搜索引擎、搜索建议与自动补全、搜索历史管理、RAG混合检索对接
• kb-file（8084）：文件存储与处理，RustFS分布式文件存储、Apache Tika格式转换（25+文件类型）、FFmpeg媒体转码、RabbitMQ异步转码消费
• kb-statistics（8085）：数据统计与分析，仪表盘总览、文档/用户/评论统计、趋势分析、热点文档、分类分布、定时聚合任务
• kb-ai（8086）：AI智能问答引擎，AI Chat对话（Qwen/DeepSeek多模型）、RAG检索增强生成（文档切块 → Embedding → 向量索引 → 语义检索）、KAG知识增强生成（LLM实体关系抽取 → 图谱构建 → 图检索 → RAG Graph融合）、AI辅助写作、对话历史管理、用户反馈收集
• kb-graph（8088）：知识图谱服务，Neo4j图数据库存储、实体/文档节点与关系建模、图遍历与路径检索、子图查询、社区发现、实体合并
• kb-foundation（8089）：系统基础服务，系统配置管理、数据字典、通知管理（WebSocket STOMP实时推送）、通知模板、操作日志（AOP自动采集 + MQ异步写入）
• kb-common：公共模块，全局异常处理、统一响应体（Result）、AOP操作日志注解与切面、JWT工具、分布式雪花ID、自定义业务异常、MyBatis Plus自动填充

核心能力

• 文档全生命周期管理：草稿 → 提交审阅 → 审批通过/驳回 → 发布 → 归档，完整状态流转。Markdown编辑器+实时自动保存至MongoDB，支持批量导入导出。版本历史与回溯：每次编辑生成版本快照，版本Diff对比，一键回滚到任意历史版本。
• 审阅流与协作：多级审阅流程，批量审批，嵌套评论线程，点赞收藏，访问控制与链接分享。
• 文件处理引擎：支持PDF、Word、Markdown、HTML等25+文件格式上传，Apache Tika驱动格式转换，FFmpeg媒体转码，RustFS分布式存储。
• ElasticSearch全文检索：关键词搜索、自动补全与搜索建议、搜索历史记录，与RAG语义检索互补形成双路召回。
• RAG检索增强生成：文档自动切块 → text-embedding-v3向量化 → ElasticSearch向量索引 → 向量+关键词双路混合检索（RRF融合排序）→ LLM上下文注入，回答附带来源引用。
• KAG知识增强生成：LLM从文档切片中自动抽取实体与关系 → Neo4j图谱构建 → 图遍历检索实体关联知识 → RAG+Graph结果融合，将离散文档编织为结构化知识网络，回答不仅是片段匹配，更是关系推理。
• 知识图谱：Neo4j存储文档实体、知识实体、文档切片节点与关系边，支持图遍历、路径查询、子图展开、社区发现、实体合并，让隐性知识关系显性化。
• AI对话与写作：多轮对话历史管理，流式响应，AI辅助写作与文档问答，用户反馈闭环。
• 实时通知推送：WebSocket STOMP协议实时推送审阅通知、系统公告，通知模板可配置。
• 数据统计与看板：仪表盘总览、文档/用户/评论多维统计、趋势分析、热点文档排行、分类分布、活跃用户排行，定时任务自动聚合。
• 操作审计：AOP注解自动采集操作日志，RabbitMQ异步写入，操作人员、操作类型、请求参数、执行结果全链路可审计。

技术栈

技术亮点

• 微服务+事件驱动架构：10个独立服务模块，Nacos注册发现，Feign声明式服务调用，RabbitMQ异步事件总线串联「统计聚合、通知推送、操作日志、全文索引重建、KAG图谱重建」等关键管线，模块边界清晰，可独立扩展。
• RAG+KAG双引擎融合：不是简单的文档片段检索——RAG提供语义级别的模糊匹配，KAG在此基础上通过LLM抽取实体关系构建知识图谱，将散落的文档内容编织为结构化知识网络。查询时RAG与Graph双路并行检索、结果融合排序，兼顾语义广度与逻辑深度。
• 混合检索+RRF融合：ElasticSearch向量语义检索+关键词检索双路召回，RRF（Reciprocal Rank Fusion）融合排序，比单一检索方式命中率显著提升。
• 全链路异步解耦：RabbitMQ驱动统计聚合、通知推送、操作日志写入、搜索引擎索引重建、KAG图谱重建等关键流程，核心业务操作低延迟，非关键计算异步消化。

架构图：

部分页面截图：

2. 智能代码审查AI Agent

项目描述

代码审查AI Agent（CodeGuardian AI）是面向企业与团队的智能代码审查Agent。它将传统静态分析与大语言模型（LLM）深度结合，提供多语言、多维度、高上下文感知的代码问题识别与修复建议。通过与Git仓库、CI/CD流水线的无缝集成，项目在开发、提交、发布前审计等关键环节提供可审计、可落地的审查能力与专业报告。

核心功能

• 多范围审查：支持项目/目录/文件/代码片段/Git项目审查，适配不同开发阶段与场景。
• 深度分析（AI+规则）：LLM结合规则引擎（PMD/Checkstyle/SpotBugs/Semgrep），既有上下文推理又有规范落地。
• RAG增强：基于代码库与知识库的检索增强生成（Hybrid：BM25+向量检索+Rerank），提供相似问题与修复示例。
• Function Calling：以结构化工具调用驱动本地分析器与解析器（Ja vaParser/Semgrep），强制输出严格JSON结果（Finding/Report）。
• 专业报告：生成HTML/Markdown/PDF报告，包含问题分布、严重级别统计、位置与Diff、可执行建议。
• 历史与检索：审查记录留存、分页与查询（名称/范围/时间）、二次检索与复盘。
• 规范与规则：内置阿里/Google/Airbnb/PEP8规范模板，支持自定义规范（名称+要点）、权重调优。
• Git集成：支持Git地址配置（账户与令牌），拉取并增量分析模块级问题。
• CI/CD集成：REST API与Webhook，在PR/MR、构建、发布前自动触发审查与阻断策略。
• 安全与合规：敏感信息脱敏、凭据仅会话态、审计日志与链路追踪。
• 语义指纹缓存：基于Redis缓存的语义指纹功能，显著降低重复代码/相似代码的模型调用成本与耗时。

技术栈

• 语言与框架：Ja va 21、Spring Boot 3.x、Spring Web（REST）
• 解析与规则：Ja vaParser、Semgrep、PMD、Checkstyle、SpotBugs、Tree-sitter（可选）
• AI接入：Spring AI；RAG（Embedding+向量库+BM25）
• 数据与存储：PostgreSQL（任务/结果）、Redis（缓存）、MinIO（对象存储/大报告）
• 检索与向量：ElasticSearch/pgvector/VectorDB（可选，混合检索）
• 并发与事件：Ja va 21虚拟线程（Loom）、Redis Streams（事件总线，可选）
• 构建与部署：Ma ven、Docker
• 观测与日志：Grafana/ELK、SLF4J+Logback
• 测试：JUnit 5

技术亮点

• 可演进单体+事件驱动：以模块化单体起步，内部事件总线组织审查管线，平滑演进为微服务。
• 虚拟线程并发：利用Ja va 21 Loom显著提升多文件/多模块并行分析吞吐。
• 混合检索与重排：BM25+向量检索+Rerank，让上下文更精准、建议更可靠。
• 工具函数调用：LLM与本地分析器协作，既智能又可落地，输出严格结构化结果。

系统架构图：

部分页面截图：

3. 100万QPS短链系统

这个短链系统采用了JDK21、SpringBoot3.5.3、JPA、Redis、布隆过滤器、Sentinel、Nacos、Redisson、shardingsphere、HikariCP、gua va、Prometheus、AlertManager、Grafana、ELK等技术栈。设计上它的并发能力也相当夸张，直接对标百万QPS级别。

目前设计了32个数据库，每个数据库包含256张表，每天可支持2.6亿以上的数据写入。

100万QPS短链系统架构图如下：

该系统的亮点包括：

• 使用了最新的JDK21和SpringBoot3.5.3
• 100万QPS的超高并发请求
• 数据库分库分表设计
• 多级布隆过滤器设计
• 限流和熔断的使用
• Redis分片集群
• 改进后的雪花算法
• Redis分布式锁的使用
• Redis Stream的使用
• 多级缓存设计
• 多线程的处理
• 完整的单元测试覆盖
• 使用Prometheus对项目实时监控
• 使用Grafana创建监控仪表盘
• 使用AlertManager实现自动报警功能
• 接入钉钉报警
• 基于时间片的布隆过滤器
• 系统平滑8倍扩容
• 基于Docker容器化部署
• 支持多种短链生成算法
• 接口幂等性设计
• 数据双写机制
• 历史数据迁移程序
• 数据一致性校验程序
• 过期数据自动迁移程序
• 多个服务节点数据同步机制

等等。

基于时间片的布隆过滤器流程图如下：

短链系统平滑扩容方案如下：

通过这个项目，可以学到很多高并发、流量评估、分库分表、多级缓存、多级布隆过滤器、限流、熔断、多线程、监控、报警、数据扩容、集群、广播消息、单元测试编写等多方面的知识。

目前这个项目包含两端代码：后端服务+前端服务。

4. 智能天气播报AI Agent

核心功能

• 天气数据获取：实时获取天气信息
• 智能播报：用自然语言播报天气
• 穿衣建议：根据天气推荐穿衣搭配
• 出行建议：基于天气条件的出行建议
• 语音播报：支持语音播报功能

技术栈

• 核心框架：Spring Boot 3.x、Spring AI Alibaba Starter
• AI服务：通义千问（天气解读）、阿里云语音合成
• 第三方API：聚合数据API
• 数据存储：Redis（天气数据缓存）

5. 智能翻译助手AI Agent

核心功能

• 文本翻译：支持中英日韩等多语言互译
• 文档翻译：PDF、Word、Excel文档智能翻译
• 实时对话翻译：聊天场景的实时翻译
• 术语库管理：专业术语的定制化翻译
• 翻译质量评估：自动评估翻译准确性
• 会员点数付费：付费功能

技术栈

• 核心框架：Spring Boot 3.x、Spring AI Starter、Elasticsearch、MinIO
• AI服务：通义千问（文本理解和优化）、RAG
• 数据存储：MySQL（翻译记录）、Redis（缓存）
• 前端：Thymeleaf、Bootstrap（UI框架）、Ja vaScript ES6、WebSocket

系统架构图：

部分页面截图：

这个项目是一个完整的AI商业应用，包含了完整的会员开通、下单、支付、获取点数、消费点数、续费等功能。

6. SaaS点餐系统

这是一个基于JDK21、SpringBoot3.4.3、SpringCloud、SpringCloud Alibaba、Gateway、Mybatis、PostgesSQL、Redis、RocketMQ、ElasticSearch、Knife4j、Prometheus、Grafana、Minio等技术构建的SaaS点餐系统。

系统采用DDD开发模式 + 多租户 + PostgesSQL 的复杂微服务架构，包含了9个微服务。

系统整体架构如下：

数据隔离方案如下：

DDD开发模式的代码示例：

通过这个项目可以掌握DDD开发模型、多租户数据隔离的方案实现、PostgresSQL数据库的使用，还有微服务之间的数据交换，网关服务的统一处理，以及复杂系统的职责领域的划分。

页面效果：

7. 商城微服务系统

susan_mall_cloud是一个微服务项目，使用了JDK17、Spring6、SpringBoot3.3.5、SpringCloud2024、SpringCloud Alibaba2023.0.1.0等目前业界比较新的技术。

微服务后端包含了：

• susan-mall-common（公共文件）
• susan-mall-gateway（网关服务）
• susan-mall-basic（基础服务）
• susan-mall-auth（权限服务，包含用户和权限相关的）
• susan-mall-product（商品服务）
• susan-mall-order（订单服务）
• susan-mall-pay（支付服务）
• susan-mall-member（会员服务）
• susan-mall-marketing（营销服务）
• susan-mall-admin（后台管理系统API）
• susan-mall-mobile（移动端API）

这个版本在商城已有技术基础之上，又增加了Spring Cloud Gateway、WebFlux、Seata、Skywaking、OpenFeign、Loadbalancer、Sentinel、Nacos、Canal、xxl-job、Prometheus、K8S等。

项目架构图：

目前包含了多端代码：服务端的网关服务和6个微服务、后台管理系统、uniapp小程序。

下面是商城小程序真实的截图：

商城微服务项目很复杂，包含了目前业界微服务分布式系统中使用最主流的技术。特别是SpringCloud Gateway中WebFlux的使用，微服务之间的异常处理，以及微服务之间的通信，都很值得一看。

8. 商城系统

商城系统目前包含了SpringBoot后端 + Vue管理后台 + uniapp小程序三端完整代码。项目中包含基于Docker部署教程、域名解析教程、按环境隔离、网络爬虫、推荐算法、支付宝支付、分库分表、分片算法优化、手写动态定时任务、手写通用分页组件、JWT登录验证、数据脱敏、动态workId、hanlp敏感词校验、手写分布式ID生成器、分布式限流、手写Mybatis插件、两级缓存提升性能、MQ消息通信、ES商品搜索、OSS服务对接、失败自动重试机制、接口幂等性处理、百万数据excel导出、WebSocket消息推送、用户异地登录检测、freemarker模版邮件发送、代码生成工具、重复请求自动拦截、自定义金额校验注解等一系列功能。

使用的技术：

商城项目无论是毕业设计，还是面试，还是实际工作中，都非常值得一看。它使用了目前非常主流的技术，手写了很多底层的代码，设计模式、自定义了很多拦截器、过滤器、转换器、监听器等，很多代码可以搬到实际的工作中。

9. 秒杀系统

秒杀系统是专门为高并发而生的。目前使用的技术有SpringBoot、Redis、Redission、lua、RocketMQ、ElasticSearch、JWT、freemarker、themelaf、html、vue、element-ui等。

功能包括：商品预热、商品秒杀、分布式锁、MQ异步下单、限流、失败重试、预扣库存、数据一致性处理等。

涉及到了高并发的多种技术，特别是对页面静态化、倒计时、秒杀按钮控制、预扣库存、分布式锁、MQ处理、数据一致性等，会有比较大的收获。

秒杀系统的系统架构图如下：

秒杀系统在面试或者工作中会经常遇到，非常有参考价值。

10. 苏三的demo项目

这个项目包含了一些工作中常用的技术点，涵盖Spring、Mybatis、多线程、事务、常用工具、设计模式、http请求、lamda、io、excel、泛型、注解等多个方面。

本项目的宗旨是分享实际工作中非常实用的代码技巧，能够让你写出更优雅高效的代码。此外，也收录了一些面试中，尤其是笔试中经常会被问到的代码片段和算法。

11. 代码生成器项目

这是一个基于Spring Boot的智能代码生成器，能够根据数据库表结构自动生成完整的Ja va Web项目代码，极大提升开发效率，让开发者专注于业务逻辑而非重复的CRUD代码编写。

通过数据库表，可以一键直接生成controller、service、mapper、entity、菜单sql、vue页面等。使用的技术有SpringBoot、MyBatis、Apache Velocity、Swagger2、Lombok、Druid、Ma ven等。

代码生成器的优势

• 极速开发：10倍效率提升，原本需要几小时的CRUD代码编写，现在只需几分钟。零错误率：模板化生成，避免手工编码错误。标准化输出：确保代码风格统一，便于团队协作。
• 高度可定制：灵活的模板系统，基于Velocity模板引擎，可自定义生成规则。可配置参数，支持作者信息、包名、表前缀等个性化配置。扩展性强，可轻松添加新的代码模板。
• 企业级特性：完整的分层架构，严格按照MVC模式生成代码。统一异常处理，内置错误处理机制。API文档自动化，集成Swagger，自动生成接口文档。数据验证，支持参数校验和业务规则验证。
• 现代化开发体验：RESTful设计，生成符合REST规范的API接口。JSON数据交互，现代化的数据交换格式。分页查询内置，开箱即用的分页功能。响应式设计，支持前后端分离架构。

在实际工作中非常有价值。

12. 刷题吧小程序

IT刷题吧是一款用AI快速开发的小程序。使用技术有JDK17、SpringBoot、MyBatis、MySQL、Redis、MongoDB、MinIO、JWT、Spring Security、Knife4j、HuTool、阿里云信息服务、邮件服务等。

真实的效果图如下：

系统架构图如下：

通过这个项目可以学到使用AI开发项目的具体方法。实际项目开发中，无论是个人接私活还是开发公司项目，掌握AI辅助开发的技巧都能显著提升效率。

13. 智能商品推荐AI Agent系统

项目描述

智能推荐与交易助手（Smart Recommendation Assistant）是一个面向电商/零售场景的对话式导购与交易协同系统。项目以“一个对话入口”串联完整交易链路：从商品咨询、智能推荐、购物车操作、订单确认、下单、订单查询、取消订单、确认收货、评价查看与提交，实现“推荐可解释、操作可执行、结果可追踪”的闭环体验。

系统采用RAG（检索增强生成）+ Function Calling（工具调用）+ MCP的组合架构：对“需要理解和推荐”的问题使用RAG提升回答相关性与解释性；对“需要真实数据与业务动作”的问题走工具调用与后端服务，确保结果可落地、可回写。同时，项目支持通过Feign+网关无缝接入现有商品/购物车/订单服务，并提供会话历史与关键UI快照能力（订单卡片、购物车卡片、确认单卡片等），适配真实生产场景中的复杂交互与服务波动。

核心功能

• 智能推荐（RAG）：结合向量检索补全上下文，输出可解释的推荐理由、对比建议与场景化方案。
• 对话式购物车操作（Function Calling）：支持加购、改数量、删商品、查购物车，兼容“第几个/商品ID/条目ID”等输入方式。
• 对话式下单闭环：支持从“购物车已选商品”发起订单确认与下单，并在对话中回显结果。
• 对话式订单查询（多关键字）：支持按订单号/商品名/状态等组合筛选，适配真实用户自然表达。
• 订单全链路操作：支持取消订单、确认收货、提交评价、查看评价（含聊天入口与详情页入口双通道）。
• 订单列表与详情页：可视化展示状态、金额、时间、商品明细，支持一键操作与状态联动刷新。
• 支付能力接入：支持订单详情/聊天入口发起支付，提供支付页跳转与支付结果回写（已支付状态更新）。
• 会话历史与快照恢复：保存聊天记录及关键卡片快照，刷新或服务波动后仍能恢复主要上下文与展示内容。

技术栈

• 语言与框架：Ja va 21、Spring Boot 3.x、Spring Web、Thymeleaf
• AI能力：Spring AI（Chat + Tools/Function Calling）、Embedding
• 检索与向量库：PostgreSQL + pgvector
• 服务集成：Spring Cloud OpenFeign、网关透传
• 数据与存储：PostgreSQL、Redis、MongoDB（聊天历史与快照）
• 构建测试：Ma ven、JUnit 5
• 日志观测：SLF4J + Logback（可扩展链路追踪与指标）

技术亮点

• RAG+工具调用双通道架构：将“智能回答”与“业务执行”解耦，显著降低幻觉并提升结果可信度。
• 对话即工作流：将购物车、确认单、订单详情等中间态卡片化嵌入对话，减少页面跳转和流程中断。
• 多关键字稳健查询：兼容空格/逗号等分隔输入，贴合真实用户习惯。
• 外部接口兼容策略：对订单相关接口提供多参数形态与请求方式兼容（路径/query/body），提升对接成功率。
• 快照与降级兜底机制：服务抖动时尽量保证“用户已看到的数据不丢失”，提升体验稳定性。
• 状态一致性治理：通过状态映射与前后端联动修正，避免订单状态误判（如“待评价/已评价”混淆）。

部分功能截图：