Symfony AI Store!PHP 中 RAG 缺失的一环

前端

多年来，PHP 开发者只能在稍远处观看 AI 革命的展开。我们要么拼凑 Python 微服务，要么艰难地直接调用 OpenAI 的原始 API，或者依赖那些一有小版本更新就崩溃的实验性库。

随着 Symfony 7.4 的发布以及 Symfony AI Initiative 的逐渐成熟，我们终于拥有了构建 AI 原生应用的“第一公民”支持。虽然 symfony/ai-platform 负责处理聊天模型，但对业务应用来说真正改变游戏规则的是 symfony/ai-store。

这个组件正是 PHP 中 Retrieval-Augmented Generation (RAG) 的核心支柱。它将向量数据库的复杂性（无论是 Redis、PostgreSQL（使用 pgvector）还是 Elasticsearch）抽象成了一个干净、Symfony 风格的接口。

本文将深入探讨。我们将使用 symfony/ai-store 和 Symfony 7.4，结合 PHP 8.4 的最新特性，构建一个知识库搜索引擎。

为什么 symfony/ai-store 很重要

在开始写代码之前，我们先来理解整体架构。像 GPT-4 这样的大型语言模型（LLM）非常强大，但存在两个致命缺陷：

1. 1. 幻觉（Hallucination）：它们会凭空编造内容。
2. 2. 健忘症（Amnesia）：它们不知道你的私有业务数据。

RAG 通过“用你的数据 grounding AI”来解决这个问题。你把文档或产品信息转换成“向量”（代表语义的数字列表）并存储起来。当用户提问时，找到最相似的向量，把它们喂给 AI。

symfony/ai-store 提供的正是这个中间步骤的标准接口：向量存储（Vector Store）。

安装与设置

我们将安装 AI Bundle，它包含了 Store 组件并简化了配置。我们还需要一个传输层（transport）。本教程使用 Doctrine + PostgreSQL（pgvector），这是 Symfony 开发者最常见的组合。

composer require symfony/ai-bundle symfony/ai-postgres-store

请确保你有一个已启用 vector 扩展的 PostgreSQL 实例。

检查 bundle 是否激活，以及 store 相关命令是否可用：

php bin/console list ai

你应该能看到类似 ai:store:setup 的命令。

配置

在 Symfony 7.4 中，我们更倾向于显式配置。打开 config/packages/ai.yaml 文件。

我们将定义一个使用 Doctrine 传输的默认 store。

# config/packages/ai.yamlai:    platform:        gemini:            api_key: '%env(GEMINI_API_KEY)%'        openai:            api_key: '%env(OPENAI_API_KEY)%'    agent:        default:            platform: 'ai.platform.gemini'            model: 'gemini-2.5-pro'        openai:            platform: 'ai.platform.openai'            model: 'text-embedding-3-small'    vectorizer:        default:            platform: 'ai.platform.openai'            model: 'text-embedding-3-small'    store:        postgres:            default:                table_name: 'tb_symfony_vector'        memory:            default:    message_store:        cache:            default:                service: 'cache.app'

数据库迁移

symfony/ai-postgres-store 包允许我们自动生成 schema。

php bin/console ai:store:setup ai.store.postgres.default

此命令会与你的数据库交互，创建必要的表（例如 vector_documents），并使用正确的 vector 列类型。

在生产环境中，建议使用 Doctrine Migrations。ai:store:setup 命令非常适合快速原型，但在 CI/CD 流水线中，应生成一个执行启用扩展和创建表的 SQL 的迁移。

核心概念：Document

Store 组件不会直接保存你复杂的 Doctrine 实体。它保存的是 Document。Document 是一个简单的 DTO，包含：

1. 1. ID：唯一标识符
2. 2. Content：AI 将要阅读的实际文本
3. 3. Metadata：任意键值对数组，用于过滤（例如 author_id、created_at）
4. 4. Vectors：计算出的嵌入向量（自动处理）

构建索引服务（Ingestion Service）

我们来创建一个服务，将博客文章（或其他实体）转换为 Document 并保存到 store 中。

这里使用 PHP 8.4 的属性（attribute）进行依赖注入。

namespace App\Service;use App\Entity\BlogPost;use Symfony\AI\Platform\Vector\VectorInterface;use Symfony\AI\Store\Document\Metadata;use Symfony\AI\Store\Document\VectorDocument;use Symfony\AI\Store\Document\VectorizerInterface;use Symfony\AI\Store\StoreInterface;use Symfony\Component\DependencyInjection\Attribute\Autowire;readonlyclass KnowledgeBaseIndexer{    publicfunction __construct(        #[Autowire(service: 'ai.store.postgres.default')]        private StoreInterface $store,        #[Autowire(service: 'ai.vectorizer.default')]        private VectorizerInterface $vectorizer) {}    publicfunction indexBlogPost(BlogPost $post): void{        $content = sprintf(            "Title: %s\n\n%s",            $post->getTitle(),            $post->getContent()        );        $vector = $this->vectorizer->vectorize($content);        if ($vector instanceof VectorInterface) {            $document = new VectorDocument(                id: $post->getId(),                vector: $vector,                metadata: new Metadata([                    'type' => 'blog_post',                    'content' => $content,                    'author_id' => $post->getAuthor()->getId(),                    'published_at' => $post->getCreatedAt()->format('Y-m-d'),                ])            );            $this->store->add($document);        }    }}

构建检索服务（Retrieval Service）

现在进入最神奇的部分：根据用户问题找到相关博客文章。

namespace App\Service;use Symfony\AI\Store\Document\VectorizerInterface;use Symfony\AI\Store\StoreInterface;use Symfony\Component\DependencyInjection\Attribute\Autowire;readonlyclass KnowledgeBaseSearch{    publicfunction __construct(        #[Autowire(service: 'ai.store.postgres.default')]        private StoreInterface $store,        #[Autowire(service: 'ai.vectorizer.default')]        private VectorizerInterface $vectorizer,) {}    /**     * @return array<int, string> 相关内容片段列表     */    publicfunction search(string $userQuery, int $limit = 3): array{        $vector = $this->vectorizer->vectorize($userQuery);        $results = $this->store->query(            $vector,            [                'limit' => $limit,                'where' => "metadata->>'type' = :type",                'params' => ['type' => 'blog_post'],            ]        );        $answers = [];        foreach ($results as $result) {            if ($result->score < 0.7) {                continue;            }            $answers[] = $result->metadata['content'];        }        return $answers;    }}

整合：RAG Controller

最后，将其接入一个控制器，使用检索到的数据生成答案。

namespace App\Controller;use App\Service\KnowledgeBaseSearch;use Symfony\AI\Platform\Message\Message;use Symfony\AI\Platform\Message\MessageBag;use Symfony\Bundle\FrameworkBundle\Controller\AbstractController;use Symfony\Component\HttpFoundation\JsonResponse;use Symfony\Component\HttpFoundation\Request;use Symfony\Component\Routing\Attribute\Route;use Symfony\AI\Chat\ChatInterface;#[Route('/api/ai')]class AssistantController extends AbstractController{    publicfunction __construct(        private KnowledgeBaseSearch $searchService,        private ChatInterface $chat,) {}    #[Route('/ask', methods: ['POST'])]    publicfunction ask(Request $request): JsonResponse{        $question = $request->getPayload()->get('question');        $contextDocuments = $this->searchService->search($question);        $contextString = implode("\n---\n", $contextDocuments);        $systemPrompt = <<<PROMPTYou are a helpful assistant for our company blog.Answer the user's question based ONLY on the context provided below.If the answer is not in the context, say "I don't know."Context:$contextStringPROMPT;        $this->chat->initiate(            new MessageBag(Message::forSystem($systemPrompt))        );        $response = $this->chat->submit(            Message::ofUser($question)        );        return $this->json([            'answer' => $response->getContent(),            'sources' => count($contextDocuments)        ]);    }}

高级配置：多 Store 支持

在真实的企业应用中，你可能需要为不同类型的数据使用不同的 store（例如 products_store vs documentation_store），或者使用不同的后端（Redis 用于热会话记忆，Postgres 用于长期知识）。

Symfony 7.4 通过 bind 或 target 属性让这变得非常简单。

config/packages/ai.yaml 示例：

ai:    store:        postgres:            default:                table_name: 'tb_symfony_vector'        memory:            default:

性能优化模式：使用 Messenger 解耦索引

前面我们是立即索引博客文章。在生产环境中，这是一个性能瓶颈。

调用 OpenAI（或其他 LLM 提供商）生成嵌入向量涉及 HTTP 请求，耗时可能从 200ms 到几秒不等。如果你在编辑点击“保存”时同步执行，浏览器会卡住；如果 API 宕机，整个应用都会报错。

解决方案是使用 Symfony Messenger 解耦索引。我们派发一个轻量消息，只包含内容的 ID，让后台 worker 异步完成嵌入和向量存储。

创建消息

遵循“Thin Message”模式：永远不要在消息中传递完整的实体或大段文本，只传递标识符。

namespace App\Messenger\Message;use Symfony\Component\Uid\Uuid;readonlyclass IndexBlogPostMessage{    publicfunction __construct(        public Uuid $blogPostId,) {}}

创建处理器（Handler）

处理器负责从数据库重新获取实体，并交给前面定义的 KnowledgeBaseIndexer。

namespace App\Messenger\Handler;use App\Messenger\Message\IndexBlogPostMessage;use App\Repository\BlogPostRepository;use App\Service\KnowledgeBaseIndexer;use Symfony\Component\Messenger\Attribute\AsMessageHandler;#[AsMessageHandler]readonlyclass IndexBlogPostHandler{    publicfunction __construct(        private BlogPostRepository $repository,        private KnowledgeBaseIndexer $indexer,) {}    publicfunction __invoke(IndexBlogPostMessage $message): void{        $post = $this->repository->find($message->blogPostId);        if (!$post) {            return;        }        $this->indexer->indexBlogPost($post);    }}

派发消息

现在修改你的控制器（或事件监听器），改为派发消息而不是直接调用索引器。

namespace App\Controller\Admin;use App\Entity\BlogPost;use App\Messenger\Message\IndexBlogPostMessage;use Symfony\Bundle\FrameworkBundle\Controller\AbstractController;use Symfony\Component\HttpFoundation\Response;use Symfony\Component\Messenger\MessageBusInterface;use Symfony\Component\Routing\Attribute\Route;class BlogAdminController extends AbstractController{    publicfunction __construct(        private MessageBusInterface $bus,) {}    #[Route('/admin/post/{id}/publish', methods: ['POST'])]    publicfunction publish(BlogPost $post): Response{        // ... (你现有的保存/发布逻辑) ...        // 改为异步派发        $this->bus->dispatch(new IndexBlogPostMessage($post->getId()));        return $this->json(['status' => 'published', 'job_id' => 'queued']);    }}

总结

symfony/ai-store 填补了 PHP 生态在生产级 RAG 应用中的关键空白。它提供了类型安全、配置驱动、可扩展的向量存储抽象，让 Symfony 开发者能够以原生方式构建可靠的 AI 增强应用，而无需依赖外部微服务或脆弱的第三方包。

结合 symfony/ai-platform 和 Messenger，你现在拥有了一条完整的 PHP 原生 AI 管道：从内容摄入 → 向量存储 → 语义检索 → 生成回答。

欢迎在 Symfony 7.4+ 项目中尝试它，并加入 Symfony AI Initiative 的讨论——PHP 的 AI 时代已经到来。