Java AI转型实战（八）：RAG完整链路实战

从文档加载到向量检索，搭建一个完整的RAG知识库问答系统

01 引子

在之前的七篇文章中，我们完成了Spring AI核心功能的闭环：多轮对话、流式输出、Function Calling、Output Parser。但有一个问题始终没解决：

大模型不知道我们私有的知识。

问它公司内部文档、项目技术方案、产品手册，它一概不知，要么说"我不知道"，要么"一本正经地胡说八道"。

RAG（检索增强生成）正是为此而生。

RAG的核心思想：先检索相关资料，再基于资料回答问题。

就像人类遇到不懂的问题会先去翻资料一样，RAG让AI在回答之前先"查资料"，然后基于资料生成回答。

02 RAG 完整链路概览

离线阶段（文档预处理）：

加载文档（PDF、Word、TXT等）
文本分割（切成适合Embedding的小块）
向量化（调用Embedding模型生成向量）
存入向量数据库（pgvector）

在线阶段（问答检索）：

用户提问 → 向量化
在向量数据库中检索相似内容
将检索结果 + 用户问题一起发给大模型
大模型基于资料生成回答

03 代码实现

3.1 文档加载与文本分割

DocumentLoadingService.java

3.2 向量化服务（使用 DashScope 原生 SDK）

DashScopeEmbeddingService.java

3.3 向量存储与检索服务

VectorStoreService.java

3.4 Controller 接口

DocumentController.java

3.5 配置文件

application.yml

PostgreSQL 表结构（pgvector）

04 测试验证

4.1 准备测试文档

在 src/main/resources/documents/test.txt 中放入测试内容：

text

复制代码

RAG（检索增强生成）是一种AI技术，它通过检索外部知识库来增强大模型的回答能力。

RAG的核心思想是：先检索相关资料，再基于资料回答问题。

RAG可以解决大模型的知识陈旧和幻觉问题。

Spring AI 提供了完整的RAG开发支持，包括文档加载、文本分割、向量存储等。

4.2 存储文档

请求：

4.3 检索文档

请求：

验证结论： ✅ 完整 RAG 链路已跑通

05 踩坑记录

坑一：`spring-ai-model` 与 `jsonschema` 依赖版本冲突

在使用 defaultTools() 注册 Tool 时，Spring AI 需要 jsonschema-generator 来生成 Tool 的 JSON Schema。如果依赖版本不一致，启动时会报 NoClassDefFoundError。

解决方案： 在 pom.xml 中统一 jsonschema-generator 和 jsonschema-module-jackson 的版本：

注意： 两个依赖的版本必须一致，否则会出现类加载冲突。

坑二：Embedding 模型维度不匹配

表定义为 1536 维，但默认的 text-embedding-v1 输出 1024 维。

解决： 使用 DashScope 原生 SDK，显式指定 text-embedding-v2 模型。

坑三：`application.yml` 中 `embedding.model` 配置不生效

Spring AI Alibaba 1.1.2.2 版本中，spring.ai.dashscope.embedding.model 配置不会被自动加载。

解决： 放弃配置方式，在代码中直接用 DashScope SDK 指定模型。

坑四：PGobject 的 `setType` 需要 `compile` scope

postgresql 依赖的 scope 若为 runtime，编译时找不到 org.postgresql.util.PGobject。

解决： 将 postgresql 的 scope 改为 compile。

06 下期预告

RAG 已经跑通了，但目前还有很多可以优化的空间：

检索质量优化：重排序（Rerank）、混合检索（关键词 + 向量）
文档处理增强：支持 PDF、Word、Excel 等多种格式
流式 RAG：检索 + 流式生成
对话式 RAG：结合多轮对话记忆

下一篇，我们探索 RAG 的进阶优化------如何让检索更精准、回答更智能。

📌 我是超超不吵吵，10年Java全栈，正在转型AI应用开发。

每周一篇实战笔记，不贩卖焦虑，只分享能落地的技术。

掘金/CSDN同名，欢迎关注。