告别“玩具级” Demo！ 本教程专为想把大模型应用从 POC 落地到生产环境的开发者打造。
我们将自顶向下，带你从搭建基础架构开始，一步步构建一个具备图编排 (StateGraph)、双重 RAG 检索、自我纠错 (Self-Correction) 以及人机协同 (HITL) 能力的工业级 Text2SQL 数据智能体。
📚 项目仓库: data-agent-tutorial | 🔗 参考项目: spring-ai-alibaba/DataAgent | 💡 学习策略: 分支对照，每章即刻运行，所见即所得。
这篇只做一件事：创建一个能启动的后端骨架。
可以先用 Spring Initializr 创建 Kotlin + Spring Boot 项目，然后补依赖。
也可以直接手建目录，这里给一份与你当前项目一致的 build.gradle.kts 示例。
如果你是直接用 IDEA 新建 Kotlin 工程，建议参数按你这套配置来：
这篇目标：创建一个能跑、能请求后端的 Vue3 工程。
rtk pnpm create vue@latest data-agent-frontend在构建我们的 Text2SQL Agent 之前，我们需要先喂给它足够的“养料”。业界著名的 BIRD-SQL (A Big Bench for Large-Scale Database Grounded Text-to-SQLs) 数据集就是绝佳的训练和测试素材。
本文将带大家拆解 BIRD 数据集的核心文件结构，并展示如何将这些庞杂的 JSON 文件和 SQLite 数据库，优雅地映射到我们系统后端的领域模型（Domain Model）中。
在上一篇文章中，我们设计了 BIRD-SQL 数据集对应的 Jimmer 领域模型。今天，我们将实打实地编写代码，把 dev.json（问答知识）和
dev_tables.json（表结构元数据）读取出来，并持久化到我们的关系型数据库中。
BIRD 数据集的 JSON 结构为了极致压缩体积，大量使用了“索引指针”和“异构数组”。这给我们的解析工作带来了不小的麻烦。本文将带大家逐段拆解导入代码，看看我们是如何优雅化解这些难题的。
在正式解析前，我们需要定义与 JSON 结构对应的 DTO (Data Transfer Object)。
在上一篇文章中，我们将 BIRD-SQL 数据集成功解析并持久化到了关系型数据库（PostgreSQL）中。然而，大模型（LLM）并不懂我们的关系型表结构，它需要通过“向量检索”来寻找与用户问题最相关的表、列和业务知识。
今天，我们将正式引入 Spring AI 和 PostgreSQL 的 pgvector 插件，把干巴巴的关系型数据转化为高维空间的“向量（Embedding）”，为我们后续构建 Agent 的 RAG（检索增强生成）能力打下坚实基础。
这一篇只做一个结果：
发送一句话，后端跑一个最小 Graph，A2A 把 Graph 节点输出转成流式 artifact，前端实时渲染出来。
本文对应分支：chapter-02-01
核心代码位置：
data-agent-backend/src/main/kotlin/io/github/qifan777/server/graph/GraphConfiguration.ktdata-agent-backend/src/main/kotlin/io/github/qifan777/server/graph/nodes/ToyHelloNode.ktdata-agent-backend/src/main/kotlin/io/github/qifan777/server/a2a/ToyAgentExecutor.ktdata-agent-frontend/src/App.vue本章对应分支chapter-02-02
上一篇我们只跑通了一个最小链路：
START -> TOY_HELLO_NODE -> END
这一篇开始把它升级成真正有编排意味的多节点 Graph：
START -> ROUTE -> (TRAVEL_PLAN | STUDY_PLAN) -> WRAP_UP -> END