第4期｜Spring AI 实战 Demo：从零搭建一个完整的汽车售后智能客服 Agent（含 RAG Tool Calling Memory MCP Client）

上一期对比了 Spring AI、LangChain4J、AgentScope Java 2.0，结论是：默认选 Spring AI。这一期，我用 Spring AI 把它落到代码里——一个可以跑起来的售后智能客服 Agent。

---

一、开篇：为什么选「智能客服」作为第一个 Demo？

前面三期，我一直在讲售后六站编排：接车 → 历史 → 开单 → 诊断 → 维修 → 交车。理论上每个环节都能做 Agent，但作为一个吃过 4S 店苦头的老 SA，我知道：最痛、最容易先落地、最容易算清 ROI 的，其实是「客服」。

客服场景有三个特点：

高频重复：「我的车保养多少钱？」「保险到期了怎么办？」「胎压灯亮了要紧吗？」这些问题一天能出现几十上百次。

知识边界清晰：答案基本就在车型手册、保养套餐、保险政策、历史工单里，不太需要开放式创造。

容错可控：答错了可以转人工，不会像诊断/维修一样直接造成车辆损坏。

所以第4期，我们先不做全流程，而是把「客服」这个单点打透。当你把客服 Agent 跑通后，再把里面的 RAG、Tool Calling、Memory、MCP Client 复用到诊断、报价、派工等环节，就是水到渠成的事。

---

二、这个 Demo 要解决什么业务问题？

2.1 业务场景

假设你是一个奥迪 4S 店的售后客服，每天接电话接到手软：

客户 A：「我 2020 款 Q5L，5 万公里，做小保养多少钱？」

客户 B：「我车胎压灯亮了，现在在外地，能继续开吗？」

客户 C：「我上个月在你们这做了喷漆，现在发现有色差，帮我查一下。」

客户 D：「我的保险要到期了，帮我报个价。」

这些问题看起来简单，但客服新人根本答不利索，老人又被大量重复劳动拖垮。

2.2 我们要构建的 Agent 能力

能力	作用	对应技术
意图识别	判断客户想问保养 / 保险 / 故障 / 投诉 / 预约	LLM + Prompt
知识问答	回答车型保养项目、费用、周期等标准问题	RAG
工单/车辆信息查询	查 VIN 对应的历史工单、保养记录、保险到期日	Tool Calling
多轮上下文记忆	连续对话中记住客户是谁、之前说了什么	Memory
跨系统调用	调用 CRM、DMS、保险系统的能力	MCP Client

---

三、系统架构：四大模块怎么拼？

┌─────────────────────────────────────────────────────────────────────────┐

│                         售后智能客服 Agent                              │

─────────────────────────────────────────────────────────────────────────┤

│                                                                         │

│   用户提问 ──→ ChatController ──→ CustomerServiceAgent                  │

│                                     │                                  │

│                                     ▼                                  │

│                         ┌─────────────────────┐                        │

│                         │   Spring AI ChatClient + ChatMemory        │                        │

│                         └──────────┬──────────┘                        │

│                                    │                                   │

│            ┌───────────────────────┼───────────────────────┐           │

│                                   ▼                       ▼           │

│       ┌─────────           ┌─────────┐           ┌──────────┐        │

│       │   RAG   │           │  Tools  │           │  Memory  │        │

│       │VectorStore│         │ToolCallback│         │ChatMemory │        │

│       └────┬────┘           └────┬────┘           └────┬────┘        │

│            │                     │                     │              │

│            ▼                                          ▼              │

│      车型保养手册          查车辆/工单/保险          会话上下文        │

│      常见问题 FAQ          库存/预约/投诉           多轮对话记忆     │

│                                                                         │

│                              ┌─────────────┐                           │

│                              │  MCP Client │                           │

│                              └──────┬──────┘                           │

│                                     ▼                                  │

│                        ──────────────────────┐                        │

│                        │  外部 MCP Server     │                        │

│                        │  CRM / DMS / 保险系统  │                        │

│                        └──────────────────────┘                        │

│                                                                         │

└─────────────────────────────────────────────────────────────────────────┘

核心思路：LLM 是大脑，RAG 是知识库，Tool Calling 是手，Memory 是上下文，MCP Client 是和外部系统说同一种语言的翻译官。

---

四、项目初始化与依赖

4.1 项目结构

aftersales-customer-agent/

├── pom.xml

├── src/

│   ├── main/

│   │   ├── java/com/aftersales/agent/

│   │   │   ├── AftersalesCustomerAgentApplication.java

│   │   │   ├── config/

│   │   │   │   ├── AIConfig.java

│   │   │   │   └── VectorStoreConfig.java

│   │   │   ├── controller/

│   │   │   │   └── ChatController.java

│   │   │   ├── service/

│   │   │   │   ├── CustomerServiceAgent.java

│   │   │   │   ├── VehicleService.java

│   │   │   │   ├── OrderService.java

│   │   │   │   └── InsuranceService.java

│   │   │   ├── tools/

│   │   │   │   ├── VehicleTools.java

│   │   │   │   ├── OrderTools.java

│   │   │   │   └── InsuranceTools.java

│   │   │   ├── rag/

│   │   │   │   ├── DocumentLoader.java

│   │   │   │   └── KnowledgeBaseService.java

│   │   │   └── mcp/

│   │   │       └── DMSClient.java

│   │   └── resources/

│   │       ├── application.yml

│   │       ├── knowledge/

│   │       │   ├── q5-maintenance.md

│   │       │   ├── a4l-maintenance.md

│   │       │   └── insurance-policy.md

│   │       └── prompts/

│   │           ├── customer-service-system.st

│   │           └── intent-classifier.st

│   └── test/

│       └── java/com/aftersales/agent/

│           └── CustomerServiceAgentTest.java

└── README.md

4.2 pom.xml 核心依赖

xmlns:xsi=“http://www.w3.org/2001/XMLSchema-instance"

xsi:schemaLocation=“http://maven.apache.org/POM/4.0.0

http://maven.apache.org/xsd/maven-4.0.0.xsd">

4.0.0

org.springframework.boot

spring-boot-starter-parent

3.3.0

com.aftersales

aftersales-customer-agent

1.0.0-SNAPSHOT

jar

21

1.0.0-M2

org.springframework.boot

spring-boot-starter-web

org.springframework.ai

spring-ai-openai-spring-boot-starter

org.springframework.ai

spring-ai-transformers-spring-boot-starter

org.springframework.ai

spring-ai-mcp-client-spring-boot-starter

org.springframework.boot

spring-boot-starter-test

test

org.springframework.ai

spring-ai-bom

${spring-ai.version}

pom

import

注意：Spring AI 1.0.0-M2 还在快速演进，建议你阅读本文时到 Spring AI 官方仓库 查看最新版本。

4.3 application.yml

spring:

application:

name: aftersales-customer-agent

ai:

openai:

api-key: ${OPENAI_API_KEY}

base-url: ${OPENAI_BASE_URL:https://api.openai.com}

chat:

options:

model: gpt-4o-mini

temperature: 0.3

mcp:

client:

enabled: true

stdio:

servers:

dms-server:

command: java

args: -jar, dms-mcp-server.jar

模拟 DMS 系统的 MCP Server

server:

port: 8080

logging:

level:

org.springframework.ai: DEBUG

---

五、四大核心模块逐个实现

5.1 模块一：Memory —— 让 Agent 记住你是谁

客服最怕的是：客户刚说完「我去年在你们这修过车」，下一句又问「你查一下我的车」。如果没有 Memory，Agent 会原地失忆。

packagecom.aftersales.agent.config;

importorg.springframework.ai.chat.memory.ChatMemory;

importorg.springframework.ai.chat.memory.InMemoryChatMemory;

importorg.springframework.context.annotation.Bean;

importorg.springframework.context.annotation.Configuration;

@Configuration

publicclassAIConfig {

/**

* 会话内存：生产环境建议换 Redis / JDBC 持久化版本

*/

@Bean

publicChatMemorychatMemory() {

returnnewInMemoryChatMemory();

}

}

packagecom.aftersales.agent.service;

importorg.springframework.ai.chat.client.ChatClient;

importorg.springframework.ai.chat.memory.ChatMemory;

importorg.springframework.ai.chat.messages.Message;

importorg.springframework.ai.chat.messages.UserMessage;

importorg.springframework.ai.chat.messages.AssistantMessage;

importorg.springframework.ai.chat.prompt.Prompt;

importorg.springframework.ai.chat.prompt.SystemPromptTemplate;

importorg.springframework.stereotype.Service;

importjava.util.List;

@Service

publicclassCustomerServiceAgent {

privatefinalChatClientchatClient;

privatefinalChatMemorychatMemory;

publicCustomerServiceAgent(ChatClientchatClient, ChatMemorychatMemory) {

this.chatClient=chatClient;

this.chatMemory=chatMemory;

}

publicStringchat(StringconversationId, StringuserInput) {

// 1. 读取历史消息

Listhistory=chatMemory.get(conversationId, 10);

// 2. 构建系统提示词

StringsystemText=””"

你是奥迪4S店售后智能客服Agent，名字叫「奥小迪」。

你的职责是：解答客户关于保养、保险、故障、预约、投诉的咨询。

规则：

1.回答前先判断客户意图；

2.涉及具体车辆信息时，优先调用工具查询；

3.遇到无法处理的问题，礼貌转人工；

4.语气专业、亲切，避免过度承诺。

“”";

Listmessages=newjava.util.ArrayList<>();

messages.add(newSystemPromptTemplate(systemText).createMessage());

messages.addAll(history);

messages.add(newUserMessage(userInput));

// 3. 调用 LLM

Stringresponse=chatClient.prompt(newPrompt(messages))

.call()

.content();

// 4. 更新记忆

chatMemory.add(conversationId, newUserMessage(userInput));

chatMemory.add(conversationId, newAssistantMessage(response));

returnresponse;

}

}

关键设计点：

用 conversationId 区分不同客户会话，可以来自微信公众号 OpenID、手机号、或前端 Session ID。

InMemoryChatMemory 仅适合 Demo，生产请换持久化实现。

每次只取最近 N 条历史，防止上下文窗口爆炸。

---

5.2 模块二：RAG —— 让 Agent 读懂车型保养手册

客服新人答不出「Q5 5 万公里要做什么保养」，因为答案在厚厚的车型手册里。RAG 的作用就是把手册向量化，问答时检索最相关的片段。

packagecom.aftersales.agent.rag;

importjakarta.annotation.PostConstruct;

importorg.springframework.ai.document.Document;

importorg.springframework.ai.reader.markdown.MarkdownReader;

importorg.springframework.ai.transformer.splitter.TokenTextSplitter;

importorg.springframework.ai.vectorstore.VectorStore;

importorg.springframework.core.io.Resource;

importorg.springframework.core.io.support.PathMatchingResourcePatternResolver;

importorg.springframework.stereotype.Service;

importjava.io.IOException;

importjava.util.Arrays;

importjava.util.List;

@Service

publicclassKnowledgeBaseService {

privatefinalVectorStorevectorStore;

publicKnowledgeBaseService(VectorStorevectorStore) {

this.vectorStore=vectorStore;

}

@PostConstruct

publicvoidinit() throwsIOException {

// 加载 knowledge/ 目录下的所有 md 文件

PathMatchingResourcePatternResolverresolver=newPathMatchingResourcePatternResolver();

Resource[] resources=resolver.getResources(“classpath:knowledge/*.md”);

TokenTextSplittersplitter=newTokenTextSplitter();

for (Resourceresource : resources) {

MarkdownReaderreader=newMarkdownReader(resource);

Listdocuments=reader.get();

// 切分文档并写入向量库

Listchunks=splitter.apply(documents);

vectorStore.add(chunks);

}

System.out.println(“知识库初始化完成，共加载文件："+resources.length);

}

publicListsearch(Stringquery, inttopK) {

returnvectorStore.similaritySearch(query, topK);

}

}

packagecom.aftersales.agent.service;

importorg.springframework.ai.chat.client.ChatClient;

importorg.springframework.ai.chat.prompt.Prompt;

importorg.springframework.ai.chat.prompt.SystemPromptTemplate;

importorg.springframework.ai.document.Document;

importorg.springframework.stereotype.Service;

importjava.util.List;

importjava.util.Map;

importjava.util.stream.Collectors;

@Service

publicclassRAGCustomerService {

privatefinalChatClientchatClient;

privatefinalKnowledgeBaseServiceknowledgeBaseService;

publicRAGCustomerService(ChatClientchatClient, KnowledgeBaseServiceknowledgeBaseService) {

this.chatClient=chatClient;

this.knowledgeBaseService=knowledgeBaseService;

}

publicStringanswer(Stringquestion) {

// 1. 从知识库检索相关片段

ListrelevantDocs=knowledgeBaseService.search(question, 3);

Stringcontext=relevantDocs.stream()

.map(Document::getContent)

.collect(Collectors.joining(”\n—\n"));

// 2. 构建带上下文的提示词

StringpromptText="""

你是奥迪4S店售后客服。请根据以下「参考知识」回答客户问题。

如果参考知识不足以回答，请明确告知客户需要进一步核实。

【参考知识】

{context}

【客户问题】

{question}

“”";

SystemPromptTemplatetemplate=newSystemPromptTemplate(promptText);

Promptprompt=template.create(Map.of(

“context”, context,

“question”, question

));

returnchatClient.prompt(prompt).call().content();

}

}

一个容易被忽略的坑：

不要把整本手册都丢给 LLM。向量检索 + 片段注入，才是成本可控、效果稳定的正确姿势。Demo 里我用的是内存向量库，生产建议上 PGVector、Milvus 或 Redis Stack。

---

5.3 模块三：Tool Calling —— 让 Agent 能查车辆、查工单、查保险

只会背手册的客服不是好客服。真正解决问题，需要查询车辆档案、历史工单、保险到期日等业务数据。

package com.aftersales.agent.tools;

import org.springframework.ai.tool.annotation.Tool;

import org.springframework.ai.tool.annotation.ToolParam;

import org.springframework.stereotype.Component;

import java.time.LocalDate;

@Component

public class VehicleTools {

private final VehicleService vehicleService;

public VehicleTools(VehicleService vehicleService) {

this.vehicleService = vehicleService;

}

@Tool(name = “getVehicleInfo”,

description = “根据车牌号或VIN查询车辆基础信息，如车型、排量、购车日期、当前里程”)

public String getVehicleInfo(

@ToolParam(description = “车牌号或VIN，例如 浙A12345 或 LFV…”) String identifier) {

return vehicleService.findByIdentifier(identifier);

}

@Tool(name = “getMaintenanceHistory”,

description = “查询车辆历史保养/维修记录”)

public String getMaintenanceHistory(

@ToolParam(description = “VIN码”) String vin,

@ToolParam(description = “查询条数，默认5”) int limit) {

return vehicleService.getMaintenanceHistory(vin, limit);

}

}

package com.aftersales.agent.tools;

import org.springframework.ai.tool.annotation.Tool;

import org.springframework.ai.tool.annotation.ToolParam;

import org.springframework.stereotype.Component;

@Component

public class InsuranceTools {

private final InsuranceService insuranceService;

public InsuranceTools(InsuranceService insuranceService) {

this.insuranceService = insuranceService;

}

@Tool(name = “getInsuranceQuote”,

description = “根据车型、上年出险次数、险种组合，生成下一年度保险报价”)

public String getInsuranceQuote(

@ToolParam(description = “车型代码，如 Q5L_40TFSI”) String modelCode,

@ToolParam(description = “上年出险次数”) int claimCount,

@ToolParam(description = “险种组合：basic/standard/full”) String packageType) {

return insuranceService.quote(modelCode, claimCount, packageType);

}

@Tool(name = “getInsuranceExpiry”,

description = “查询车辆保险到期日”)

public String getInsuranceExpiry(

@ToolParam(description = “车牌号或VIN”) String identifier) {

return insuranceService.getExpiry(identifier);

}

}

package com.aftersales.agent.service;

import org.springframework.stereotype.Service;

@Service

public class VehicleService {

public String findByIdentifier(String identifier) {

// 实际项目对接 DMS 或 CRM

return """

{“vin”:“LFV3B28R3J3xxxxxx”,“model”:“奥迪Q5L 40 TFSI 时尚型”,

“plate”:“浙A12345”,“mileage”:52000,“purchaseDate”:“2020-06-15”}

“”";

}

public String getMaintenanceHistory(String vin, int limit) {

return """

[2024-05-10] 5万公里保养：机油/机滤/空滤/空调滤，费用 2180 元

[2024-01-08] 索赔更换左后分泵，费用 0 元

[2023-08-22] 4万公里保养：机油/机滤/刹车油，费用 1860 元

“”";

}

}

---

5.4 模块四：MCP Client —— 让 Agent 和外部系统说同一种语言

Tool Calling 适合调用本地 Java 方法，但 DMS、CRM、保险系统往往是别的团队维护的。MCP 协议的作用，就是让这些系统以标准化的方式暴露能力。

package com.aftersales.agent.mcp;

import org.springframework.ai.mcp.client.McpClient;

import org.springframework.ai.mcp.client.McpSyncClient;

import org.springframework.ai.mcp.spec.McpSchema;

import org.springframework.stereotype.Service;

import java.util.List;

@Service

public class DMSClient {

private final McpSyncClient mcpClient;

public DMSClient(McpSyncClient mcpClient) {

this.mcpClient = mcpClient;

}

public String queryRepairOrder(String vin) {

McpSchema.CallToolRequest request = new McpSchema.CallToolRequest(

“queryRepairOrder”,

new java.util.HashMap<>() {{

put(“vin”, vin);

put(“limit”, 5);

}}

);

McpSchema.CallToolResult result = mcpClient.callTool(request);

return result.content().stream()

.map(Object::toString)

.collect(java.util.stream.Collectors.joining("\n"));

}

}

注意：Spring AI 1.0.0-M2 的 MCP API 可能还会有调整。核心思路不变：MCP Server 定义工具，MCP Client 调用工具，Spring AI 负责把工具注册到 ChatClient 的工具链中。

---

六、把四大模块串起来：CustomerServiceAgent 完整版

package com.aftersales.agent.service;

import com.aftersales.agent.rag.KnowledgeBaseService;

import org.springframework.ai.chat.client.ChatClient;

import org.springframework.ai.chat.memory.ChatMemory;

import org.springframework.ai.chat.messages.Message;

import org.springframework.ai.chat.messages.UserMessage;

import org.springframework.ai.chat.messages.AssistantMessage;

import org.springframework.ai.chat.prompt.Prompt;

import org.springframework.ai.chat.prompt.SystemPromptTemplate;

import org.springframework.ai.document.Document;

import org.springframework.stereotype.Service;

import java.util.ArrayList;

import java.util.List;

import java.util.Map;

import java.util.stream.Collectors;

@Service

public class CustomerServiceAgent {

private final ChatClient chatClient;

private final ChatMemory chatMemory;

private final KnowledgeBaseService knowledgeBaseService;

public CustomerServiceAgent(ChatClient chatClient,

ChatMemory chatMemory,

KnowledgeBaseService knowledgeBaseService) {

this.chatClient = chatClient;

this.chatMemory = chatMemory;

this.knowledgeBaseService = knowledgeBaseService;

}

public String chat(String conversationId, String userInput) {

// 1. 读取历史

List history = chatMemory.get(conversationId, 10);

// 2. RAG 检索相关知识

List docs = knowledgeBaseService.search(userInput, 3);

String knowledgeContext = docs.stream()

.map(Document::getContent)

.collect(Collectors.joining("\n—\n"));

// 3. 系统提示词

String systemText = """

你是奥迪 4S 店售后智能客服「奥小迪」。

【当前可调用工具】

- getVehicleInfo：查询车辆基础信息

- getMaintenanceHistory：查询保养/维修历史

- getInsuranceQuote：生成保险报价

- getInsuranceExpiry：查询保险到期日

【知识库参考】

{knowledgeContext}

规则：

1. 先判断客户意图（保养/保险/故障/预约/投诉/其他）；

2. 涉及车辆/工单/保险信息时，调用对应工具查询，不要编造；

3. 如果知识库和工具都无法回答，礼貌引导转人工或建议到店；

4. 语气专业亲切，不要过度承诺。

“”";

List messages = new ArrayList<>();

messages.add(new SystemPromptTemplate(systemText)

.create(Map.of(“knowledgeContext”, knowledgeContext)));

messages.addAll(history);

messages.add(new UserMessage(userInput));

// 4. 调用 LLM（Spring AI 自动处理 Tool Calling 循环）

String response = chatClient.prompt(new Prompt(messages))

.call()

.content();

// 5. 保存记忆

chatMemory.add(conversationId, new UserMessage(userInput));

chatMemory.add(conversationId, new AssistantMessage(response));

return response;

}

}

---

七、暴露 REST 接口

package com.aftersales.agent.controller;

import com.aftersales.agent.service.CustomerServiceAgent;

import org.springframework.web.bind.annotation.*;

@RestController

@RequestMapping("/api/customer-service")

public class ChatController {

private final CustomerServiceAgent customerServiceAgent;

public ChatController(CustomerServiceAgent customerServiceAgent) {

this.customerServiceAgent = customerServiceAgent;

}

@PostMapping("/chat")

public ChatResponse chat(@RequestBody ChatRequest request) {

String answer = customerServiceAgent.chat(request.conversationId(), request.message());

return new ChatResponse(answer);

}

public record ChatRequest(String conversationId, String message) {}

public record ChatResponse(String answer) {}

}

---

八、运行效果演示

请求示例

curl -X POST http://localhost:8080/api/customer-service/chat \

-H “Content-Type: application/json” \

-d ‘{

“conversationId”: “user_001”,

“message”: “我车牌浙A12345，5万公里，做小保养多少钱？”

}’

预期响应

您好，您的爱车是奥迪 Q5L 40 TFSI 时尚型，当前里程 52,000 公里。

根据奥迪保养手册，5 万公里属于常规保养周期，建议项目包括：

- 机油 / 机油滤清器

- 空气滤清器

- 空调滤清器

- 全车 23 项检测

参考费用约 2180 元，具体以到店实际检查为准。

请问需要帮您预约本周末的工位吗？

---

九、生产落地 checklist

项	现状	生产建议
向量库	InMemoryVectorStore	换 PGVector / Milvus / Redis Stack
Memory	InMemoryChatMemory	换 Redis / JDBC ChatMemory
LLM	OpenAI	可按需切换 Qwen / DeepSeek，配置 model 别名
工具权限	无鉴权	工具调用前校验用户身份和数据权限
MCP Server	本地 jar 模拟	对接真实 DMS / CRM / 保险系统的 MCP Server
监控	无	接入链路追踪、Token 消耗、延迟、Fallback 转人工
安全	无	Prompt 注入过滤、敏感数据脱敏、审计日志

---

十、总结 & 下期预告

今天我用 Spring AI 搭建了一个完整的汽车售后智能客服 Agent，覆盖了四大核心模块：

Memory：让 Agent 记住多轮对话上下文

RAG：让 Agent 基于车型手册和 FAQ 回答专业知识

Tool Calling：让 Agent 查询车辆、工单、保险等实时数据

MCP Client：让 Agent 以标准化协议对接外部系统

这个 Demo 虽然叫「客服」，但它的模块完全可以复用到诊断 Agent、报价 Agent、派工 Agent 中。理解了这套结构，你就掌握了把 AI 落到售后业务的核心能力。

第5期预告：ReAct 模式落地——用 Spring AI 手搓一个「诊断 Agent」，让它像老 SA 一样「听→想→查→下结论」。

互动话题：你们店的客服一天被问最多的三个问题是什么？如果是你，会优先把哪些问答做成 RAG？评论区聊聊，下期我可能会用你的真实场景写代码。

---

关于作者：34 岁，汽车电子技术专业出身，4 年奥迪/奔驰售后服务顾问 + 9 年 Java 架构与 AI Agent 开发经验，深谙汽车售后市场与车险理赔业务。用 Java 的确定性，驾驭 AI 的不确定性。在这里，Agent 不是概念，是车间里正在发生的事。