Spring AI 2.0实战：用Cursor打造AI智能OA办公系统

一套面向企业办公场景的AI智能体项目

B站UP主风哥（曹芳）近期发布了一套基于 Spring AI 2.0 的 AI 智能办公 OA 系统实战项目。这套系统的核心思路是把大模型能力嵌入传统 OA 办公流程，让请假、报销、审批、知识检索等日常业务具备智能化处理能力。

项目的技术栈相对主流：后端使用 Spring Boot，前端采用 Vue 3 + Vite 构建，大模型接入选用百炼^广告云平台的接口直接调用（可用 3.6 或 3.8 版本），嵌入模型则是 Text Embedding V4。整套系统的开发过程借助 Cursor AI 编程完成，从项目搭建、方案沟通到功能实现、Bug 修复都有 AI 深度参与。

值得关注的是，作者把 Spring AI 2.0 定位为当前 Java 领域开发 AI 智能体的主流框架，这也反映出 Java 生态在 AI 应用开发上的补齐趋势——过去大模型应用几乎是 Python 的天下，如今 Spring AI 的成熟让 Java 后端工程师也能相对顺畅地构建智能体应用。

AI注册功能

RAG 增强检索：知识库问答的核心

系统最基础也最具代表性的能力是基于 RAG（检索增强生成）的知识库问答。作者演示时提出了一个关于「差旅标准」的问题，系统的处理流程清晰可见：先从向量库中检索相关内容，检索结果与用户问题一并交给大模型，最终生成准确回答。

在技术实现上，知识库文档会先经过分片处理，再存入 Redis 向量数据库。这种做法在中小规模企业知识库场景下有一定优势——复用现有 Redis 基础设施，避免额外引入专门的向量数据库带来的运维成本。

从演示效果看，系统能准确检索出「差旅标准 500/350」这类具体数值，说明分片粒度和检索策略基本可用。RAG 的价值恰恰在于此：它让大模型回答企业内部的私有知识时不再「胡编乱造」，而是有据可查。

RAG（Retrieval-Augmented Generation，检索增强生成）是当前企业级大模型应用的主流架构模式。其核心问题在于：大模型的训练数据有截止日期，且不包含企业内部私有文档，直接提问往往得到错误或虚构的答案（即"幻觉"问题）。RAG 的解法是在生成答案前先执行一次"查资料"的步骤——将企业文档切片并向量化存储，用户提问时先将问题转为向量进行语义相似度检索，把检索到的原文片段拼入提示词，再让大模型基于这些真实内容作答。这样大模型的角色从"凭记忆回答"变为"阅读材料后作答"，准确性和可溯源性大幅提升。分片粒度是 RAG 质量的关键调参项：切得太细则单片缺乏上下文语义，切得太粗则检索噪音增加，实际项目中通常需要结合文档类型反复调试。

AI 智能填单与工具调用

除了问答，系统还展示了两个更进阶的能力方向。

AI 智能填单

在请假场景中，用户只需用自然语言描述「下周四请一天事假」，系统就能自动计算出具体日期（如 24 号）、识别请假类型并完成表单填写。这是典型的自然语言到结构化数据的转换，省去了逐项手动填写的繁琐。这类能力对提升办公效率的实际价值往往比单纯问答更直接。

AI智能填单演示

大模型工具调用（AI Tools）

作者提到系统为大模型提供了三个可调用的工具，这也是整套课程的重点内容之一。演示中，用户询问「今天那笔报销」，系统能调用查询方法准确返回当天的多笔报销记录及其审批状态。这体现了 Function Calling / Tool Use 的核心思路——让大模型不只是「说」，还能「做」，通过调用后端方法完成实际业务查询和操作。

Function Calling（工具调用）是让大模型具备"行动能力"的关键机制。其工作原理是：开发者预先向大模型描述一批可调用函数的名称、参数格式与用途；当用户的问题需要查询数据或执行操作时，大模型不直接回答，而是以结构化 JSON 的形式输出"我要调用哪个函数、传什么参数"；应用层接收后真正执行该函数，将返回结果再交回大模型，由大模型组织成自然语言回复给用户。这一机制将大模型的语义理解能力与后端业务逻辑打通，是 AI 智能体（Agent）能够完成实际任务（而非仅聊天）的基础。Spring AI 2.0 对 Function Calling 提供了标准化封装，开发者只需用注解声明工具方法，框架会自动处理描述生成和调用路由，大幅降低了集成成本。

完整的审批业务闭环

这套系统并非只是套了个 AI 外壳的 Demo，其底层业务逻辑相对完整。系统设计了多角色权限体系：管理员账号拥有最高权限，可管理部门、员工、请假、报销、知识库和公告；普通员工账号则只能看到自己的待办、请假报销和个人中心。

审批流程支持多级审批规则。演示中一笔报销金额若超过 5000 元，会自动上升到总经理审批；部门经理同意后仍需总经理二次审批。审批人还可以选择通过、驳回或要求补充材料（如上传凭证图片）。这种基于金额阈值的分级审批，是真实企业报销场景的常见需求。

多级审批流程

工作台还提供了在职人数、部门数量、待审批统计、近六个月报销金额、请假类型分布等数据看板，让整套 OA 系统在智能化之外仍保有传统办公系统的管理属性。

用 Cursor AI 编程贯穿开发全流程

这套项目的另一个看点是开发方式本身。作者全程使用 Cursor 进行 AI 辅助编程，公开的免费部分共六讲，覆盖了完整的开发链路：

新建前后端项目（Spring Boot + Vite）
用 Cursor AI 编程与 Plan 模式沟通项目方案
用 Cursor 生成项目代码
利用 Cursor Agent 修复 Bug、完成功能

百炼云平台大模型接口

这种「用 AI 开发 AI 应用」的模式，对想入门 AI 编程的开发者有一定参考价值——它展示了从需求规划到代码落地，AI 工具能在多大程度上参与实际项目。不过需要提醒的是，作者也强调学习本项目需要具备 Spring Boot 和前端基础，AI 编程是加速器而非零基础捷径。

Cursor 是基于 VS Code 深度改造的 AI 编程 IDE，其核心能力是将大模型嵌入编辑器的核心工作流而非仅作为补全插件。Plan 模式允许开发者用自然语言描述需求，Cursor 先输出完整的实现方案供人确认后再动手写代码，适合系统设计阶段；Agent 模式则可以跨文件自主执行多步操作，包括读写代码、运行终端命令、解析报错并迭代修复，接近一个能自主完成子任务的协作者。对于"用 AI 开发 AI 应用"这类项目，Cursor 的价值主要体现在减少样板代码编写和快速验证集成方案两方面，但它要求使用者能够审查生成的代码逻辑——对 Spring Boot 框架不熟悉的开发者很难判断 Agent 的输出是否正确，这也是作者强调需要具备基础的原因。

小结与建议

整体来看，这是一套定位清晰的 Java + 大模型实战项目：以 Spring AI 2.0 为核心，把 RAG 检索、智能填单、工具调用三大能力落地到 OA 办公的真实业务流中。对于希望在 Java 技术栈下实践 AI 智能体开发的工程师，它提供了一个较为完整的参考样本。

需要注意的是，本文内容来自作者的项目演示视频，属于单一来源，其中免费部分为六讲、完整课程为付费的 23 讲。读者在评估时可结合自身基础和实际业务需求，重点关注 RAG 分片检索、向量库选型以及大模型工具调用的具体实现细节。