目录
3.构建向量数据库操作对象，把文档切割、向量化并存储到向量数据库中
一.前景回顾
我们通过之前的文章：
讲了RAG知识库的原理，并且可以将一些未公开的文档，分割、向量化后，存入RAG知识库，从而让大模型有回答未公开的内部知识问题的能力。（比如回答公司内部系统的使用方法等问题）。
本篇文章的目的是，如何具体实现这个操作？见下文的【二】、【三】
二.存储（构建向量数据库操作对象）
1.引入依赖
XML
<!--rag-easy依赖-->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-easy-rag</artifactId>
<version>1.0.1-beta6</version>
</dependency>2.加载知识数据文档
先准备一个文档（我们让AI生成了一个"鸿剑有限公司内部文档.md"，是一个markdown类型的文件），如下图：
将该文档，上传到java项目中：
3.构建向量数据库操作对象，把文档切割、向量化并存储到向量数据库中
在下面的配置类中，添加如下代码：
java
//构建向量数据库操作对象（存储）
@Bean//将返回值放入IOC容器，供后续使用
public EmbeddingStore myEmbeddingStore(){//这个方法名不能叫embeddingStore，因为会和默认的重复，所以我们叫myEmbeddingStore
//1.加载resources/content/目录下的所有文档到内存中
List<Document> documents = ClassPathDocumentLoader.loadDocuments("content");
//2.构建向量数据库操作对象
InMemoryEmbeddingStore store = new InMemoryEmbeddingStore();
//3.构建一个EmbeddingStoreIngestor对象，完成文本数据切割、向量化、存储
EmbeddingStoreIngestor ingestor = EmbeddingStoreIngestor.builder()
.embeddingStore(store)//向量化后的数据，指定存储到store中
.build();
ingestor.ingest(documents);//指定要存的内容，就是resources/content/目录下的所有文档
//4.返回store
return store;
}三.检索（构建向量数据库检索对象）
1.构建向量数据库检索对象
在下面的配置类中，添加如下代码：
java
//构建向量数据库检索对象（检索）
@Bean
public ContentRetriever contentRetriever(EmbeddingStore store){
return EmbeddingStoreContentRetriever.builder()
.embeddingStore(store) //要从store中，检索知识片段
.minScore(0.5)//只要余弦相似度大于0.5，我们就要
.maxResults(3)//最多检索出三个知识片段
.build();
}2.配置向量数据库检索对象
四.重启项目，查看效果
问几个问题，看看是否和我们提供的内部文档一致？
1.测试效果
此时大模型，可以完美地根据我们提供的手册，进行回答问题。
此时我们只在resources/content/目录下，传了一个文档，那么只要我们传入足够多的文档，那么RAG知识库就会有更多的知识，从而让大模型借鉴，来回答我们的各种问题。
2.原理
查看后端控制台，可见，java后端会将用户的问题，和从RAG数据库检索出的相关知识片段，一起发送给大模型，从而让大模型有专业知识的回答能力。
五.缺点与解决方案
1.缺点
目前我们引入了RAG知识库以后，无论用户问什么问题，后端都会去RAG知识库搜索相关的知识片段，搜不到就无法回答。
2.原因
理想状态下，如果从RAG知识库中，搜不到与用户问题相关的知识片段，那就应该直接调用大模型了，不应该被知识有限的RAG知识库拖累。
说白了，就是没有意图识别的功能。
我猜测，应该是langchain4j实现这一块的功能时，如果从RAG知识库找不到用户问题相关的知识片段，调用大模型时就会给提示词"只根据知识库的结果回答"。所以我们应该去掉这个
3.解决方案
添加系统提示词"如果你无法通过RAG知识库检索出用户问题相关的知识片段，那么请直接调用大模型，就不要提文档了"
4.解决效果
可见此时，RAG知识库就完全是锦上添花了，而不会影响大模型本身的通用问题回答能力。
到此，目的达到了！
以上就是本篇文章的全部内容，喜欢的话可以留个免费的关注呦~~~