目录
RAG概念
Retrieval-augmented Generation，简称RAG，检索增强生成，克服大型语言模型在处理长篇内容、事实准确性和上下文感知方面的局限性。
https://docs.spring.io/spring-ai/reference/api/retrieval-augmented-generation.html
Spring AI 通过使用增强器 API（Advisor API）为常见的检索增强生成（RAG）流程提供了现成的支持。
即RAG技术给AI装上了「实时百科大脑」，通过先查资料后回答的机制，让AI摆脱传统模型的"知识遗忘"困境。
四大核心步骤：
- 文档切割(语义分割，大文档分割并保证语义完整) → 建立智能档案库
- 向量编码(Embedding) → 构建语义地图
- 相似检索(VectorStore) → 智能资料猎人
- 生成增强(将检索增强作为上下文辅助大模型回答) → 专业报告撰写
参考：https://java2ai.com/docs/1.0.0-M6.1/tutorials/rag/?spm=5176.29160081.0.0.2856aa5cWGxNNo
Embedding Model & Vector Store
Embedding是文本、图像或视频的数值表示，能够捕捉输入之间的关系，Embedding 通过将文本、图像和视频转换为称为向量（Vector）的浮点数数组来工作。这些向量旨在捕捉文本、图像和视频的含义，Embedding 数组的长度称为向量的维度。
VectorStore是一种用于存储和检索高维向量数据的数据库或存储解决方案，它适用于处理那些经过Embedding模型转化后的数据。在 VectorStore 中，查询与传统关系数据库不同。它们执行相似性搜索，而不是精确匹配。当给定一个向量作为查询时，VectorStore 返回与查询向量"相似"的向量。
spring-ai 文本检索例子
引入依赖
xml
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-advisors-vector-store</artifactId>
<version>1.0.0</version>
</dependency>定义向量存储: 存储两个文本说明书
java
package com.example.demo.advisor;
import org.springframework.ai.document.Document;
import org.springframework.ai.embedding.EmbeddingModel;
import org.springframework.ai.vectorstore.SimpleVectorStore;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import java.util.List;
@Configuration
public class RagConfig {
@Bean
VectorStore vectorStore(EmbeddingModel embeddingModel) {
SimpleVectorStore simpleVectorStore = SimpleVectorStore
.builder(embeddingModel)
.build();
// 生成一个机器人产品说明书的文档
List<Document> documents = List.of(
new Document("产品说明书:产品名称:科学计算器\n" +
"产品描述：科学计算器具备多种数学运算和工程计算功能，主要包含以下核心能力：\n" +
"功能：\n" +
"1. 数学运算：支持四则运算、三角函数（正弦、余弦、正切）、反三角函数（反正切、反余弦）、对数、指数运算等基础数学功能。部分型号如Panecal支持二进制至十六进制的数制转换。\n" +
"2. 存储与编辑：配备存储器（Memory）功能，可保存计算结果并随时调用，支持公式编辑与历史记录追溯。例如Panecal允许多行公式输入和实时编辑，并可通过振动反馈减少误操作。\n" +
"3. 单位换算：提供公制/英制等7类单位换算，包括长度、面积、体积、温度等类别，部分型号支持货币汇率转换。\n" +
"4. 工程师专用工具：支持开发者模式，提供二进制/十六进制转换、位运算等编程相关功能。\n")
,
new Document("产品说明书:产品名称：智能机器人\n" +
"产品描述：智能机器人是一个智能设备，能够自动完成各种任务。\n" +
"功能：\n" +
"1. 自动导航：机器人能够自动导航到指定位置。\n" +
"2. 自动抓取：机器人能够自动抓取物品。\n" +
"3. 自动放置：机器人能够自动放置物品。\n")
);
simpleVectorStore.add(documents);
return simpleVectorStore;
}
}使用向量存储
java
package com.example.demo.advisor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.RetrievalAugmentationAdvisor;
import org.springframework.ai.chat.client.advisor.api.Advisor;
import org.springframework.ai.rag.generation.augmentation.ContextualQueryAugmenter;
import org.springframework.ai.rag.retrieval.search.DocumentRetriever;
import org.springframework.ai.rag.retrieval.search.VectorStoreDocumentRetriever;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;
@RestController
public class AdvisorController {
private final ChatClient chatClient;
public AdvisorController(ChatClient.Builder chatClientBuilder) {
this.chatClient = chatClientBuilder
.build();
}
@Autowired
private VectorStore vectorStore;
/**
* http://localhost:8080/ask?userInput=科学计算器有哪些功能?
* http://localhost:8080/ask?userInput=智能机器人有哪些功能?
*/
@GetMapping("/ask")
public String chat(String userInput) {
// 4. 配置文档检索器
DocumentRetriever retriever = VectorStoreDocumentRetriever.builder()
.vectorStore(vectorStore)
.similarityThreshold(0.5) // 设置相似度阈值
.topK(3) // 返回前3个最相关的文档
.build();
Advisor advisor = RetrievalAugmentationAdvisor.builder()
.queryAugmenter(ContextualQueryAugmenter.builder()
.allowEmptyContext(true)
.build())
.documentRetriever(retriever)
.build();
return chatClient.prompt()
.user(userInput)
.advisors(advisor)
.call()
.content();
}
}测试输出和说明
可以看到针对用户不同的回答，回答出了不同的产品的功能
由此可以看到基于文档数据向量，我们对用户的问题进行了增强回答