选型分析
选型原则：满足当前需求 + 预留演进空间（YAGNI + 可扩展）。
LLM 框架：Spring AI vs LangChain4j
| 维度 | Spring AI | LangChain4j |
|---|---|---|
| Spring 生态 | 原生 | 需手动桥接 |
| 结构化输出 | entity(Class) 一行搞定 | 需自己解析 |
| Function Calling | @Tool 注解 | ToolSpecification |
| 向量库 | 统一 VectorStore 抽象 | API 分散 |
决策：Spring AI - 原生 autoconfig、entity(RootCauseAnalysis.class) 结构化输出、@Tool Function Calling。
向量库：PgVector vs Milvus vs ES
决策：PgVector - 簇规模万级够用。关键优势：周报要 JOIN 簇表和反馈表，PgVector 能在一个库做向量检索 + 关系 JOIN。
L1 缓存：Caffeine vs Redis
决策：Caffeine（MVP）-> Redis（生产） - 零依赖、微秒级命中。接口已抽象（FingerprintCache），切换成本低。
消息队列：Kafka vs Redis Stream vs 内存
决策：内存（MVP）-> Kafka（生产） - Kafka 代码就绪（@ConditionalOnProperty 默认关闭）。选 Kafka 因削峰能力更强 + 重放能力。
LLM 模型：DashScope vs DeepSeek vs OpenAI
决策：DashScope（默认） - OpenAI 兼容协议，可切换 DeepSeek 或 OpenAI。环境变量配置：DASHSCOPE_API_KEY、LLM_BASE_URL、LLM_CHAT_MODEL。
技术栈总览
| 领域 | 选型 |
|---|---|
| 框架 | Spring Boot 4.1 + Java 21 |
| LLM | Spring AI 2.0（OpenAI 兼容） |
| L1 缓存 | Caffeine（生产可换 Redis） |
| L2 向量 | PgVector（默认关闭） |
| 消息队列 | Kafka（默认关闭） |
| 弹性 | Resilience4j |
| 度量 | Micrometer + Prometheus |