文章目录
-
-
- 1.搭建基础的springboot项目环境（依赖，启动类，端口）
- 2.引入大模型API学会基本使用
- 3.人工智能服务AIService
-
- [3.1 如何使用AIService](#3.1 如何使用AIService)
- [3.2 AIService实现聊天记忆](#3.2 AIService实现聊天记忆)
- 4.实现聊天记忆隔离
- 5.持久化聊天记忆
- [5.1 初步使用](#5.1 初步使用)
-
- [5.2 具体使用](#5.2 具体使用)
- 6.系统提示词
-
- [6.1 用户提示词](#6.1 用户提示词)
- 7.项目实战agent
- [8.function calling学习了解](#8.function calling学习了解)
- [9.项目实战agent+function calling实现](#9.项目实战agent+function calling实现)
-
- [9.1 创建数据库预约表及增删改查操作](#9.1 创建数据库预约表及增删改查操作)
- [9.2 实现Function calling](#9.2 实现Function calling)
- 10.检索增强RAG+项目
-
- [10.1 使用pipecone进行向量存储](#10.1 使用pipecone进行向量存储)
- 11.总结
-
1.搭建基础的springboot项目环境（依赖，启动类，端口）
2.引入大模型API学会基本使用
1.引入langchain4j的maven依赖（不同的大模型对应不同的依赖）
2.大模型的配置信息填写
注意：如果是接入其他大模型，需要自己百度查找如何配置上述的这些信息
3.测试
3.人工智能服务AIService
使用面向接口和动态代理的方式代理用户的输入输出
主要实现增强功能
3.1 如何使用AIService
1.定义接口
2.使用方式
方式1
方式2
或者通过注入方式再使用（接口指定使用的大模型）
3.2 AIService实现聊天记忆
方式1：类似上述方式1的方式
10代表会话记录的论述为10次
方式2：简化方式1
chatMemory通过注入到bean中，这样上面就能够自动引用
使用
流程梳理：AIService中注解定义好对应的指定模型，聊天记忆。聊天基于通过单独写一个Bean自动注入，外部使用直接调用这个Aiserivice就可以实现聊天记忆
4.实现聊天记忆隔离
1.定义AiService(携带MemoryId参数即可)
2.配置charMemoryProvider的bean对象
3.测试
5.持久化聊天记忆
5.1 初步使用
1.下载mongodb,并本地启动
2.引入mongodb依赖，并且写好对应的yaml配置
3.配置bean（映射mongodb中的字段，相当于实体类）
其中@Document注解表示的是创建数据库中的集合名称
5.2 具体使用
1.新增聊天记忆id，优化实体类
2.创建持久化类
参考原本基于内存实现方式，写自己存数据的实现逻辑，存储到本地数据库中
替换持久化存储的实现逻辑，使用自定义的mongoChatMemoryStore
测试是否存储到Mongodb即可
6.系统提示词
设置到chat方法上面就行
其中文字可以设置到一个txt文件中，再引用他也行
6.1 用户提示词
写在chat之上，每轮对话的记忆都会携带这个信息，但是多个参数情况下，需要用@V注解指定，否则会失效
7.项目实战agent
1.定义好AIService
2.chatMemoryProviderXiaozhi里面配置持久化存储和聊天记忆隔离
3.定义一个实体类，接收前端的请求
4.定义controller方法，并且调用配置好的智能体
8.function calling学习了解
1.定义工具函数
2.AiService中进行配置
聊天记忆id可以传递到工具函数中，可能会用到
9.项目实战agent+function calling实现
9.1 创建数据库预约表及增删改查操作
1.创建数据库及对应的表
2.引入mysql和mybatisplus依赖，配置mysql信息
3.创建对应的实体类
4.定义mapper层以及对应的xml文件
5.定义service层以及对应的实现类，实现表数据的增删改查
9.2 实现Function calling
代码放到tools下
整理流程梳理首先接收用户信息用户，用户调用AIService配置好的大模型进行回复，AIService中配置了很多信息，包括指定的大模型是哪个，聊天记忆隔离功能，聊天记忆持久化，以及工具函数使用，工具函数中又涉及到了Mysql的数据存储，当用户的提问信息涉及到了工具函数，就会自动执行工具函数中设置的内容，实现mysql数据库信息的存储
10.检索增强RAG+项目
1.上面是RAG，如何和项目结合使用（先检索知识库，再结合大模型输出）
2.RAG常用方法
3.索引阶段，知识库转换
文档加载-->解析-->分割-->向量模型转换为向量-->存入向量大模型
4.检索阶段
10.1 使用pipecone进行向量存储
1.引入依赖
2.引入阿里向量模型（文本/图片向量化）
3.再pipecone中的向量存储（读取到向量库中的信息 ）
4.把知识库存入pipecone
5.配置嵌入存储提供的检索信息
6.AIService中使用
11.总结
前端用户发起请求，请求调用大模型进行回复，大模型中配置了一些基本信息（聊天记忆隔离，聊天内容持久化，自动调用工具函数，使用的嵌入存储来源（RAG）），流式输出返回信息