Spring Boot + Milvus + LangChain4j 实现 RAG 问答：从向量入库到 DeepSeek 生成

闲猫2026-06-27 10:42

Spring Boot + Milvus + LangChain4j 实现 RAG 问答：从向量入库到 DeepSeek 生成

本文基于 com.haiwei.javaai.demo1 包，梳理一套完整的 检索增强生成（RAG） 流程：应用启动时自动创建 Milvus 库表、加载文档并切块向量化入库；用户提问时检索相似片段、拼装 Prompt，再调用 DeepSeek 大模型生成答案。

一、整体架构

#mermaid-svg-qh8rBoWnTRc3fTIE{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-qh8rBoWnTRc3fTIE .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-qh8rBoWnTRc3fTIE .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-qh8rBoWnTRc3fTIE .error-icon{fill:#552222;}#mermaid-svg-qh8rBoWnTRc3fTIE .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-qh8rBoWnTRc3fTIE .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-qh8rBoWnTRc3fTIE .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-qh8rBoWnTRc3fTIE .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-qh8rBoWnTRc3fTIE .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-qh8rBoWnTRc3fTIE .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-qh8rBoWnTRc3fTIE .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-qh8rBoWnTRc3fTIE .marker{fill:#333333;stroke:#333333;}#mermaid-svg-qh8rBoWnTRc3fTIE .marker.cross{stroke:#333333;}#mermaid-svg-qh8rBoWnTRc3fTIE svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-qh8rBoWnTRc3fTIE p{margin:0;}#mermaid-svg-qh8rBoWnTRc3fTIE .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-qh8rBoWnTRc3fTIE .cluster-label text{fill:#333;}#mermaid-svg-qh8rBoWnTRc3fTIE .cluster-label span{color:#333;}#mermaid-svg-qh8rBoWnTRc3fTIE .cluster-label span p{background-color:transparent;}#mermaid-svg-qh8rBoWnTRc3fTIE .label text,#mermaid-svg-qh8rBoWnTRc3fTIE span{fill:#333;color:#333;}#mermaid-svg-qh8rBoWnTRc3fTIE .node rect,#mermaid-svg-qh8rBoWnTRc3fTIE .node circle,#mermaid-svg-qh8rBoWnTRc3fTIE .node ellipse,#mermaid-svg-qh8rBoWnTRc3fTIE .node polygon,#mermaid-svg-qh8rBoWnTRc3fTIE .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-qh8rBoWnTRc3fTIE .rough-node .label text,#mermaid-svg-qh8rBoWnTRc3fTIE .node .label text,#mermaid-svg-qh8rBoWnTRc3fTIE .image-shape .label,#mermaid-svg-qh8rBoWnTRc3fTIE .icon-shape .label{text-anchor:middle;}#mermaid-svg-qh8rBoWnTRc3fTIE .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-qh8rBoWnTRc3fTIE .rough-node .label,#mermaid-svg-qh8rBoWnTRc3fTIE .node .label,#mermaid-svg-qh8rBoWnTRc3fTIE .image-shape .label,#mermaid-svg-qh8rBoWnTRc3fTIE .icon-shape .label{text-align:center;}#mermaid-svg-qh8rBoWnTRc3fTIE .node.clickable{cursor:pointer;}#mermaid-svg-qh8rBoWnTRc3fTIE .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-qh8rBoWnTRc3fTIE .arrowheadPath{fill:#333333;}#mermaid-svg-qh8rBoWnTRc3fTIE .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-qh8rBoWnTRc3fTIE .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-qh8rBoWnTRc3fTIE .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-qh8rBoWnTRc3fTIE .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-qh8rBoWnTRc3fTIE .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-qh8rBoWnTRc3fTIE .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-qh8rBoWnTRc3fTIE .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-qh8rBoWnTRc3fTIE .cluster text{fill:#333;}#mermaid-svg-qh8rBoWnTRc3fTIE .cluster span{color:#333;}#mermaid-svg-qh8rBoWnTRc3fTIE div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-qh8rBoWnTRc3fTIE .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-qh8rBoWnTRc3fTIE rect.text{fill:none;stroke-width:0;}#mermaid-svg-qh8rBoWnTRc3fTIE .icon-shape,#mermaid-svg-qh8rBoWnTRc3fTIE .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-qh8rBoWnTRc3fTIE .icon-shape p,#mermaid-svg-qh8rBoWnTRc3fTIE .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-qh8rBoWnTRc3fTIE .icon-shape .label rect,#mermaid-svg-qh8rBoWnTRc3fTIE .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-qh8rBoWnTRc3fTIE .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-qh8rBoWnTRc3fTIE .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-qh8rBoWnTRc3fTIE :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 问答请求阶段
应用启动阶段
Spring Boot 启动
MilvusCollectionCreator
创建/重建 demo1 数据库
创建 my_collection_1 Collection
MilvusService.loadFile
读取 Smartshell.txt
DocumentSplitter 切块
EmbeddingModelUtil 向量化
写入 Milvus
GET /ai/rag/call
用户 message 向量化
RetrievalService 向量检索 TopK
buildRagPrompt 拼装 Prompt
DeepSeekChatModel 生成回答
返回 generation

核心组件职责

类 职责
MilvusConfig 注册 MilvusClientV2 Bean
MilvusClientService Milvus 连接配置（URI、Token）
MilvusConstant 数据库名、Collection 名常量
MilvusCollectionCreator 启动时建库建表，触发文档入库
MilvusService 文档加载、切块、向量化、插入 Milvus
EmbeddingModelUtil 本地 ONNX 嵌入模型（384 维）
RetrievalService 按查询向量在 Milvus 中检索 Top3
ChatRAGController RAG 问答入口：检索 + Prompt + LLM
SearchResultWithScore 检索结果 DTO（id、score、message）

数据流概览

  1. 离线/启动入库 ：Smartshell.txt → 文本切块 → AllMiniLmL6V2 384 维向量 → Milvus vector 字段 + 原文 message 字段。
  2. 在线问答：用户问题 → 同样模型向量化 → Milvus L2 近邻搜索 → 取最相似 3 段原文 → 拼进 Prompt → DeepSeek 生成。

二、Maven 依赖（pom.xml）

demo1 依赖以下核心库（节选）：

xml 复制代码 
<properties>
    <java.version>17</java.version>
</properties>

<dependencies>
    <!-- LangChain4j：文档处理、本地嵌入模型 -->
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j</artifactId>
        <version>1.11.8</version>
    </dependency>
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-document-parser-apache-tika</artifactId>
        <version>1.11.8-beta19</version>
    </dependency>
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-embeddings</artifactId>
        <version>1.11.8-beta19</version>
    </dependency>
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-embeddings-all-minilm-l6-v2-q</artifactId>
        <version>1.11.8-beta19</version>
    </dependency>

    <!-- Milvus Java SDK V2 -->
    <dependency>
        <groupId>io.milvus</groupId>
        <artifactId>milvus-sdk-java</artifactId>
        <version>2.6.18</version>
    </dependency>

    <!-- Spring AI DeepSeek -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-starter-model-deepseek</artifactId>
    </dependency>

    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
</dependencies>

<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-bom</artifactId>
            <version>2.0.0</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

依赖说明：

依赖 用途
langchain4j-embeddings-all-minilm-l6-v2-q 本地量化嵌入模型，输出 384 维 向量，与 Milvus Collection 的 dimension(384) 一致
milvus-sdk-java Milvus V2 API：建库建表、插入、向量检索
spring-ai-starter-model-deepseek 通过 Spring AI 调用 DeepSeek Chat API
gson 构造 Milvus 插入时的 JSON 行数据

三、配置与环境变量（application.properties）

properties 复制代码 
server.port=${SSHELL_PORT:8080}
server.servlet.context-path=/javaai

# DeepSeek（Spring AI）
spring.ai.deepseek.api-key=${DEEPSEEK_API_KEY:}
spring.ai.deepseek.base-url=${DEEPSEEK_API_BASE_URL:https://api.deepseek.com}

deepseek.api-base-url=${DEEPSEEK_API_BASE_URL:https://api.deepseek.com}
deepseek.api-key=${DEEPSEEK_API_KEY:}
deepseek.model=deepseek-chat

环境变量 / 启动参数

变量名 默认值 说明
SSHELL_PORT 8080 HTTP 端口
DEEPSEEK_API_KEY 空 必填，DeepSeek API Key
DEEPSEEK_API_BASE_URL https://api.deepseek.com DeepSeek API 地址

Milvus 连接（代码内硬编码）

当前在 MilvusClientService 中配置，未 走 application.properties：

java 复制代码 
private static final String CLUSTER_ENDPOINT = "http://localhost:19530";
private static final String TOKEN = "root:Milvus";

启动前需确保本地 Milvus 已运行，且地址/凭证与上述一致。

完整问答 URL 示例

复制代码 
GET http://localhost:8080/javaai/ai/rag/call?message=SmartShell和传统堡垒机有什么区别？

四、Milvus 连接与 Bean 配置

MilvusConfig 将单例客户端注入 Spring 容器：

java 复制代码 
@Configuration
public class MilvusConfig {

    @Bean
    public MilvusClientV2 milvusClient() {
        return MilvusClientService.getClient();
    }
}

MilvusClientService 使用懒加载单例：

java 复制代码 
public class MilvusClientService {
    private static final String CLUSTER_ENDPOINT = "http://localhost:19530";
    private static final String TOKEN = "root:Milvus";
    private static MilvusClientV2 instance;

    public static MilvusClientV2 getClient() {
        if (instance == null) {
            ConnectConfig connectConfig = ConnectConfig.builder()
                    .uri(CLUSTER_ENDPOINT)
                    .token(TOKEN)
                    .build();
            instance = new MilvusClientV2(connectConfig);
        }
        return instance;
    }
}

常量定义：

java 复制代码 
public class MilvusConstant {
    public static final String DATA_BASE = "demo1";
    public static final String MY_COLLECTION_1 = "my_collection_1";
}

五、启动时创建 Milvus 库表与入库

MilvusCollectionCreator 实现 InitializingBean，在 所有 Bean 属性注入完成后 执行 afterPropertiesSet()。

5.1 启动逻辑（注意：会清空 demo1 库）

#mermaid-svg-fTPKw8evPxKutFgC{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-fTPKw8evPxKutFgC .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-fTPKw8evPxKutFgC .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-fTPKw8evPxKutFgC .error-icon{fill:#552222;}#mermaid-svg-fTPKw8evPxKutFgC .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-fTPKw8evPxKutFgC .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-fTPKw8evPxKutFgC .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-fTPKw8evPxKutFgC .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-fTPKw8evPxKutFgC .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-fTPKw8evPxKutFgC .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-fTPKw8evPxKutFgC .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-fTPKw8evPxKutFgC .marker{fill:#333333;stroke:#333333;}#mermaid-svg-fTPKw8evPxKutFgC .marker.cross{stroke:#333333;}#mermaid-svg-fTPKw8evPxKutFgC svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-fTPKw8evPxKutFgC p{margin:0;}#mermaid-svg-fTPKw8evPxKutFgC .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-fTPKw8evPxKutFgC .cluster-label text{fill:#333;}#mermaid-svg-fTPKw8evPxKutFgC .cluster-label span{color:#333;}#mermaid-svg-fTPKw8evPxKutFgC .cluster-label span p{background-color:transparent;}#mermaid-svg-fTPKw8evPxKutFgC .label text,#mermaid-svg-fTPKw8evPxKutFgC span{fill:#333;color:#333;}#mermaid-svg-fTPKw8evPxKutFgC .node rect,#mermaid-svg-fTPKw8evPxKutFgC .node circle,#mermaid-svg-fTPKw8evPxKutFgC .node ellipse,#mermaid-svg-fTPKw8evPxKutFgC .node polygon,#mermaid-svg-fTPKw8evPxKutFgC .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-fTPKw8evPxKutFgC .rough-node .label text,#mermaid-svg-fTPKw8evPxKutFgC .node .label text,#mermaid-svg-fTPKw8evPxKutFgC .image-shape .label,#mermaid-svg-fTPKw8evPxKutFgC .icon-shape .label{text-anchor:middle;}#mermaid-svg-fTPKw8evPxKutFgC .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-fTPKw8evPxKutFgC .rough-node .label,#mermaid-svg-fTPKw8evPxKutFgC .node .label,#mermaid-svg-fTPKw8evPxKutFgC .image-shape .label,#mermaid-svg-fTPKw8evPxKutFgC .icon-shape .label{text-align:center;}#mermaid-svg-fTPKw8evPxKutFgC .node.clickable{cursor:pointer;}#mermaid-svg-fTPKw8evPxKutFgC .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-fTPKw8evPxKutFgC .arrowheadPath{fill:#333333;}#mermaid-svg-fTPKw8evPxKutFgC .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-fTPKw8evPxKutFgC .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-fTPKw8evPxKutFgC .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-fTPKw8evPxKutFgC .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-fTPKw8evPxKutFgC .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-fTPKw8evPxKutFgC .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-fTPKw8evPxKutFgC .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-fTPKw8evPxKutFgC .cluster text{fill:#333;}#mermaid-svg-fTPKw8evPxKutFgC .cluster span{color:#333;}#mermaid-svg-fTPKw8evPxKutFgC div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-fTPKw8evPxKutFgC .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-fTPKw8evPxKutFgC rect.text{fill:none;stroke-width:0;}#mermaid-svg-fTPKw8evPxKutFgC .icon-shape,#mermaid-svg-fTPKw8evPxKutFgC .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-fTPKw8evPxKutFgC .icon-shape p,#mermaid-svg-fTPKw8evPxKutFgC .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-fTPKw8evPxKutFgC .icon-shape .label rect,#mermaid-svg-fTPKw8evPxKutFgC .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-fTPKw8evPxKutFgC .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-fTPKw8evPxKutFgC .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-fTPKw8evPxKutFgC :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 存在
不存在
检查 demo1 库是否存在
删除所有 Collection
dropDatabase demo1
createDatabase demo1
useDatabase demo1
创建 my_collection_1
milvusService.loadFile

重要行为： 若 demo1 数据库已存在，会先 删除该库下全部 Collection 并 drop 整个数据库，再重建。每次启动都会重新导入文档，适合 Demo，生产环境需改造。

5.2 Collection Schema

字段 类型 说明
id Int64 主键，autoID=true
vector FloatVector 维度 384，与嵌入模型一致
message VarChar(2000) 切块后的原文片段

5.3 索引配置

  • vector：IVF_FLAT，度量 L2，nlist=128
  • message：AUTOINDEX（标量字段索引）

5.4 关键代码：建表

java 复制代码 
fieldSchemaList1.add(CreateCollectionReq.FieldSchema.builder()
        .name("id")
        .dataType(DataType.Int64)
        .isPrimaryKey(true)
        .autoID(true)
        .build());
fieldSchemaList1.add(CreateCollectionReq.FieldSchema.builder()
        .name("vector")
        .dataType(DataType.FloatVector)
        .dimension(384)
        .build());
fieldSchemaList1.add(CreateCollectionReq.FieldSchema.builder()
        .name("message")
        .dataType(DataType.VarChar)
        .maxLength(2000)
        .build());

indexParams1.add(IndexParam.builder()
        .indexName("vector_index")
        .fieldName("vector")
        .indexType(IndexParam.IndexType.IVF_FLAT)
        .metricType(IndexParam.MetricType.L2)
        .extraParams(Collections.singletonMap("nlist", 128))
        .build());

milvusClientV2.createCollection(createCollectionReq);
// 建表成功后
milvusService.loadFile();

六、文档加载、拆分、向量化与存储

6.1 嵌入模型

使用 LangChain4j 本地 ONNX 模型，无需额外 API：

java 复制代码 
public class EmbeddingModelUtil {
    private static final EmbeddingModel embeddingModel =
            new AllMiniLmL6V2QuantizedEmbeddingModel();

    public static float[] embed(String text) {
        Response<Embedding> response = embeddingModel.embed(text);
        return response.content().vector();
    }
}

6.2 文档处理流程（MilvusService.loadFile）

#mermaid-svg-BbG8tWVRna2E8yS1{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-BbG8tWVRna2E8yS1 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-BbG8tWVRna2E8yS1 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-BbG8tWVRna2E8yS1 .error-icon{fill:#552222;}#mermaid-svg-BbG8tWVRna2E8yS1 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-BbG8tWVRna2E8yS1 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-BbG8tWVRna2E8yS1 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-BbG8tWVRna2E8yS1 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-BbG8tWVRna2E8yS1 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-BbG8tWVRna2E8yS1 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-BbG8tWVRna2E8yS1 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-BbG8tWVRna2E8yS1 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-BbG8tWVRna2E8yS1 .marker.cross{stroke:#333333;}#mermaid-svg-BbG8tWVRna2E8yS1 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-BbG8tWVRna2E8yS1 p{margin:0;}#mermaid-svg-BbG8tWVRna2E8yS1 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-BbG8tWVRna2E8yS1 .cluster-label text{fill:#333;}#mermaid-svg-BbG8tWVRna2E8yS1 .cluster-label span{color:#333;}#mermaid-svg-BbG8tWVRna2E8yS1 .cluster-label span p{background-color:transparent;}#mermaid-svg-BbG8tWVRna2E8yS1 .label text,#mermaid-svg-BbG8tWVRna2E8yS1 span{fill:#333;color:#333;}#mermaid-svg-BbG8tWVRna2E8yS1 .node rect,#mermaid-svg-BbG8tWVRna2E8yS1 .node circle,#mermaid-svg-BbG8tWVRna2E8yS1 .node ellipse,#mermaid-svg-BbG8tWVRna2E8yS1 .node polygon,#mermaid-svg-BbG8tWVRna2E8yS1 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-BbG8tWVRna2E8yS1 .rough-node .label text,#mermaid-svg-BbG8tWVRna2E8yS1 .node .label text,#mermaid-svg-BbG8tWVRna2E8yS1 .image-shape .label,#mermaid-svg-BbG8tWVRna2E8yS1 .icon-shape .label{text-anchor:middle;}#mermaid-svg-BbG8tWVRna2E8yS1 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-BbG8tWVRna2E8yS1 .rough-node .label,#mermaid-svg-BbG8tWVRna2E8yS1 .node .label,#mermaid-svg-BbG8tWVRna2E8yS1 .image-shape .label,#mermaid-svg-BbG8tWVRna2E8yS1 .icon-shape .label{text-align:center;}#mermaid-svg-BbG8tWVRna2E8yS1 .node.clickable{cursor:pointer;}#mermaid-svg-BbG8tWVRna2E8yS1 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-BbG8tWVRna2E8yS1 .arrowheadPath{fill:#333333;}#mermaid-svg-BbG8tWVRna2E8yS1 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-BbG8tWVRna2E8yS1 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-BbG8tWVRna2E8yS1 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-BbG8tWVRna2E8yS1 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-BbG8tWVRna2E8yS1 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-BbG8tWVRna2E8yS1 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-BbG8tWVRna2E8yS1 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-BbG8tWVRna2E8yS1 .cluster text{fill:#333;}#mermaid-svg-BbG8tWVRna2E8yS1 .cluster span{color:#333;}#mermaid-svg-BbG8tWVRna2E8yS1 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-BbG8tWVRna2E8yS1 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-BbG8tWVRna2E8yS1 rect.text{fill:none;stroke-width:0;}#mermaid-svg-BbG8tWVRna2E8yS1 .icon-shape,#mermaid-svg-BbG8tWVRna2E8yS1 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-BbG8tWVRna2E8yS1 .icon-shape p,#mermaid-svg-BbG8tWVRna2E8yS1 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-BbG8tWVRna2E8yS1 .icon-shape .label rect,#mermaid-svg-BbG8tWVRna2E8yS1 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-BbG8tWVRna2E8yS1 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-BbG8tWVRna2E8yS1 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-BbG8tWVRna2E8yS1 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} ClassPathResource data/Smartshell.txt
Document.from 全文
recursive splitter 500/50
遍历 TextSegment
EmbeddingModelUtil.embed
insertData vector + message
Milvus insert

切块参数：

  • MAX_SEGMENT_SIZE = 500：单段最大字符数
  • MAX_OVERLAP_SIZE = 50：段间重叠，避免语义在边界断裂

源文档： src/main/resources/data/Smartshell.txt（SmartShell 智能运维平台产品说明）

6.3 关键代码：加载与入库

java 复制代码 
public void loadFile() {
    ClassPathResource resource = new ClassPathResource("data/Smartshell.txt");
    String text = resource.getContentAsString(StandardCharsets.UTF_8);
    Document document = Document.from(text);

    DocumentSplitter splitter = DocumentSplitters.recursive(MAX_SEGMENT_SIZE, MAX_OVERLAP_SIZE);
    List<TextSegment> segments = splitter.split(document);

    for (TextSegment segment : segments) {
        String segmentText = segment.text().trim();
        if (segmentText.isEmpty()) continue;

        float[] vector = EmbeddingModelUtil.embed(segmentText);
        insertData(vector, segmentText);
    }
}

public void insertData(float[] vector, String message) {
    JsonObject row = new JsonObject();
    row.add("vector", JsonUtil.gson.toJsonTree(vector));
    row.addProperty("message", message);

    milvusClientV2.insert(InsertReq.builder()
            .collectionName(MilvusConstant.MY_COLLECTION_1)
            .data(List.of(row))
            .build());
}

入库与检索使用 同一套嵌入模型，是保证 RAG 效果的前提。

七、问答链路：ChatRAGController

7.1 请求处理流程

DeepSeekChatModel Milvus RetrievalService EmbeddingModelUtil ChatRAGController User DeepSeekChatModel Milvus RetrievalService EmbeddingModelUtil ChatRAGController User #mermaid-svg-OeK161NMo9QZyUeO{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-OeK161NMo9QZyUeO .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-OeK161NMo9QZyUeO .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-OeK161NMo9QZyUeO .error-icon{fill:#552222;}#mermaid-svg-OeK161NMo9QZyUeO .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-OeK161NMo9QZyUeO .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-OeK161NMo9QZyUeO .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-OeK161NMo9QZyUeO .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-OeK161NMo9QZyUeO .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-OeK161NMo9QZyUeO .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-OeK161NMo9QZyUeO .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-OeK161NMo9QZyUeO .marker{fill:#333333;stroke:#333333;}#mermaid-svg-OeK161NMo9QZyUeO .marker.cross{stroke:#333333;}#mermaid-svg-OeK161NMo9QZyUeO svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-OeK161NMo9QZyUeO p{margin:0;}#mermaid-svg-OeK161NMo9QZyUeO .actor{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-OeK161NMo9QZyUeO text.actor>tspan{fill:black;stroke:none;}#mermaid-svg-OeK161NMo9QZyUeO .actor-line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-OeK161NMo9QZyUeO .innerArc{stroke-width:1.5;stroke-dasharray:none;}#mermaid-svg-OeK161NMo9QZyUeO .messageLine0{stroke-width:1.5;stroke-dasharray:none;stroke:#333;}#mermaid-svg-OeK161NMo9QZyUeO .messageLine1{stroke-width:1.5;stroke-dasharray:2,2;stroke:#333;}#mermaid-svg-OeK161NMo9QZyUeO #arrowhead path{fill:#333;stroke:#333;}#mermaid-svg-OeK161NMo9QZyUeO .sequenceNumber{fill:white;}#mermaid-svg-OeK161NMo9QZyUeO #sequencenumber{fill:#333;}#mermaid-svg-OeK161NMo9QZyUeO #crosshead path{fill:#333;stroke:#333;}#mermaid-svg-OeK161NMo9QZyUeO .messageText{fill:#333;stroke:none;}#mermaid-svg-OeK161NMo9QZyUeO .labelBox{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-OeK161NMo9QZyUeO .labelText,#mermaid-svg-OeK161NMo9QZyUeO .labelText>tspan{fill:black;stroke:none;}#mermaid-svg-OeK161NMo9QZyUeO .loopText,#mermaid-svg-OeK161NMo9QZyUeO .loopText>tspan{fill:black;stroke:none;}#mermaid-svg-OeK161NMo9QZyUeO .loopLine{stroke-width:2px;stroke-dasharray:2,2;stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-OeK161NMo9QZyUeO .note{stroke:#aaaa33;fill:#fff5ad;}#mermaid-svg-OeK161NMo9QZyUeO .noteText,#mermaid-svg-OeK161NMo9QZyUeO .noteText>tspan{fill:black;stroke:none;}#mermaid-svg-OeK161NMo9QZyUeO .activation0{fill:#f4f4f4;stroke:#666;}#mermaid-svg-OeK161NMo9QZyUeO .activation1{fill:#f4f4f4;stroke:#666;}#mermaid-svg-OeK161NMo9QZyUeO .activation2{fill:#f4f4f4;stroke:#666;}#mermaid-svg-OeK161NMo9QZyUeO .actorPopupMenu{position:absolute;}#mermaid-svg-OeK161NMo9QZyUeO .actorPopupMenuPanel{position:absolute;fill:#ECECFF;box-shadow:0px 8px 16px 0px rgba(0,0,0,0.2);filter:drop-shadow(3px 5px 2px rgb(0 0 0 / 0.4));}#mermaid-svg-OeK161NMo9QZyUeO .actor-man line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-OeK161NMo9QZyUeO .actor-man circle,#mermaid-svg-OeK161NMo9QZyUeO line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;stroke-width:2px;}#mermaid-svg-OeK161NMo9QZyUeO :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} GET /ai/rag/call?message=...embed(message)queryVector384retrieveDocuments(queryVector)search TopK=3, L2id, message, scoreList SearchResultWithScorebuildRagPrompt + sort by scorePrompt(promptMessage)ChatResponse{ generation: "..." }

7.2 向量检索（RetrievalService）

  • topK = 3：最多返回 3 条相关片段
  • 度量类型 L2：与建表时 vector_index 一致
  • L2 距离越小表示越相似 （Controller 中按 score 升序排序）
java 复制代码 
SearchReq searchReq = SearchReq.builder()
        .collectionName(MilvusConstant.MY_COLLECTION_1)
        .data(Collections.singletonList(new FloatVec(queryVector)))
        .topK(topK)
        .metricType(IndexParam.MetricType.L2)
        .outputFields(List.of("id", "message"))
        .build();

SearchResp searchResp = milvusClient.search(searchReq);

7.3 Prompt 拼装

将检索到的文档片段编号后作为「参考文章」，再接用户原问题：

java 复制代码 
private String buildRagPrompt(List<SearchResultWithScore> results, String question) {
    StringBuilder prompt = new StringBuilder();
    prompt.append("参考文章：\n\n");
    for (int i = 0; i < results.size(); i++) {
        prompt.append("[").append(i + 1).append("] ")
                .append(results.get(i).getMessage())
                .append("\n\n");
    }
    prompt.append("请根据如上信息回答如下问题：\n")
            .append(question);
    return prompt.toString();
}

7.4 调用 DeepSeek 生成

java 复制代码 
@GetMapping("/call")
public Map<String, String> call(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) {
    float[] vectors = EmbeddingModelUtil.embed(message);

    List<SearchResultWithScore> searchResultWithScores = retrievalService.retrieveDocuments(vectors);
    String promptMessage = message;
    if (!searchResultWithScores.isEmpty()) {
        searchResultWithScores = searchResultWithScores.stream()
                .sorted(Comparator.comparingDouble(SearchResultWithScore::getScore))
                .toList();
        promptMessage = buildRagPrompt(searchResultWithScores, message);
    }

    DeepSeekChatOptions options = DeepSeekChatOptions.builder()
            .model(DeepSeekApi.ChatModel.DEEPSEEK_V4_PRO.getValue())
            .temperature(0.8)
            .build();
    Prompt prompt = new Prompt(promptMessage, options);
    ChatResponse response = chatModel.call(prompt);
    return Map.of("generation", response.getResult().getOutput().getText());
}

说明： 此处将整段 RAG Prompt 作为 单条用户消息 发给模型，未使用 System Prompt 或多轮 Message 结构；对 Demo 足够，生产可改为 UserMessage + SystemMessage 分离。

八、启动与验证步骤

8.1 前置条件

  1. Milvus 运行在 localhost:19530（Docker 或本地安装）
  2. 设置环境变量 DEEPSEEK_API_KEY
  3. Java 17 + Maven

8.2 启动应用

bash 复制代码 
# Windows PowerShell 示例
$env:DEEPSEEK_API_KEY="your-api-key"
mvn spring-boot:run

或：

bash 复制代码 
java -jar target/javaai-0.0.1-SNAPSHOT.jar

启动日志中应出现：

  • start create milvus collections
  • 文件切分为 N 个文本片段
  • 成功插入 1 条数据（每个片段一条）

8.3 调用问答接口

bash 复制代码 
curl "http://localhost:8080/javaai/ai/rag/call?message=SmartShell和传统堡垒机有什么区别？"

预期响应：

json 复制代码 
{
    "generation": "SmartShell 是一款**智能化的运维与数据库管理工具**。它通过 SSH 连接主机和数据库，但不同于传统堡垒机的死板命令拦截，SmartShell 使用 AI 实时分析命令的实际风险。例如，面对类似 `rm -rf` 或 `DELETE FROM` 这类高危指令，它会结合当前目录内容或表中是否有数据等真实场景进行判断：如果目标是空目录、日志文件或空表，会放行并给予提示；如果表中有数据，则会先备份再执行，而不是像传统堡垒机那样无条件禁止。"
}

九、设计要点与可改进方向

主题 当前实现 建议
启动清库 每次启动 drop demo1 库 生产改为增量更新或版本化 Collection
Milvus 配置 硬编码 URI/Token 迁入 application.properties 或环境变量
入库效率 每段单独 insert 批量 insert 提升性能
检索失败 无结果时抛 RuntimeException 降级为「无上下文」直接问答
Prompt 简单字符串拼接 增加 System 角色、引用标注、长度截断
文档来源 仅 classpath 单文件 扩展 Tika 解析 PDF/Word、对象存储等

十、类与文件索引

复制代码 
src/main/java/com/haiwei/javaai/demo1/
├── MilvusConstant.java          # 库名、Collection 名
├── MilvusConfig.java            # MilvusClientV2 Bean
├── MilvusCollectionCreator.java # 启动建库建表 + 触发 loadFile
├── MilvusService.java           # 文档切块、向量化、写入
├── RetrievalService.java        # Milvus 向量检索
├── ChatRAGController.java       # RAG 问答 API
└── SearchResultWithScore.java   # 检索结果模型

src/main/java/com/haiwei/javaai/langchain4j/
└── EmbeddingModelUtil.java      # 384 维本地嵌入

src/main/java/com/haiwei/javaai/service/impl/
└── MilvusClientService.java     # Milvus 连接单例

src/main/resources/
├── application.properties
└── data/Smartshell.txt          # RAG 知识库文档

总结

demo1 实现了一条清晰的 RAG 闭环：启动阶段 用 Milvus V2 SDK 建库建表并向量入库；请求阶段对用户问题做相同向量化、L2 检索 Top3、拼装「参考文章 + 问题」的 Prompt，再通过 Spring AI 调用 DeepSeek 生成答案。嵌入层与向量库维度（384）、度量（L2）保持一致，是整条链路能跑通的关键约束。

热门推荐
012026年6月AI大模型全景报告：GPT-5.6、Claude Opus 4.8、Gemini 3.5，中美AI三足鼎立谁主沉浮？022026年6月AI行业全景：从百模大战到Agent元年，这30天发生了什么？032026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf04飞书长连接_事件订阅（接收消息，审批任务状态变更）05Trae国际版与国内版深度测评：AI原生IDE的双生花06GitHub 镜像站点07【AI】2026 年具身智能模型和世界模型总结08Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析092026年AI架构实战：彻底解决OpenAI接口超时与封号，Python调用GPT-5.2/Sora2企业级架构详解（附源码+压测报告）102026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？