spring ai 实战RAG(4)-模块化RAG

模块化RAG

Spring AI其实也提供了Modular RAG的支持，他的核心组件就是RetrievalAugmentationAdvisor

RetrievalAugmentationAdvisor 封装了完整的 RAG 流程，包括：

查询预处理（查询重写、查询扩展等）
文档检索（从向量数据库做检索）
上下文后处理（如文档合并等）
提示增强（将检索结果与用户问题合并）

RetrievalAugmentationAdvisor也是一个Advisor，他的用法和其他Advisor一样。

包含以下组件:

DocumentRetriever

DocumentRetriever作用是从外部知识源（如向量数据库、全文搜索引擎等）中根据用户查询语义检索出最相关的文档片段（chunks），为大语言模型（LLM）提供上下文支持，从而提升回答的准确性与事实性。

他的主要实现是VectorStoreDocumentRetriever，基于向量相似度从 VectorStore 中检索文档

QueryTransformer

问题改写增强转换组件，spring ai 默认有三种实现

CompressionQueryTransformer：问题压缩富化
RewriteQueryTransformer：问题改写
TranslationQueryTransformer：问题翻译

QueryExpander

多元化查询，生成多个问题，默认实现 MultiQueryExpander

QueryAugmenter

QueryAugmenter 的作用是在检索完成后、模型生成回答之前，对原始查询进行"上下文增强"。它会根据当前对话内容、历史记录，为查询构建新的提示词，使模型在生成最终回答时理解更充分

与上面介绍的 QueryTransformer 不同，QueryTransformer是作用于检索前，QueryAugmenter 更专注于在生成前增强上下文，确保回答更加准确

DocumentJoiner

DocumentJoiner 是 RAG 流程中的"文档合并器"。当检索到多个文本块的时候，它负责将这些检索返回的文本块简单拼接成一个统一的文档列表，并做基本的去重与按相似度分数排序，最终输出供大模型生成回答的上下文内容

java 复制代码

@RestController
@RequestMapping("/rag/modular")
public class ModularRagController implements InitializingBean {


    @Autowired
    private DashScopeChatModel dashScopeChatModel;

    @Autowired
    private VectorStore vectorStore;

    private ChatClient chatClient;


    @GetMapping("retriever")
    public String retriever(String question) {
        // DocumentRetriever 文档检索器，用于从向量存储中检索最相关的文档
        DocumentRetriever retriever = VectorStoreDocumentRetriever.builder()
                .vectorStore(vectorStore)
                .topK(5)
                .similarityThreshold(0.8)
                .build();

        //当用户有多轮对话时，把当前问题"压缩成一个完整且独立的查询"，避免丢失上下文。类比的话，其实这就是我们前面问题重写的富化功能，也就是说将历史对话，以及用户当前问题，进行总结输出一个丰富完整的、补充好代词主语的新Query
        ChatClient.Builder builder = ChatClient.builder(dashScopeChatModel);
        QueryTransformer queryTransformer = CompressionQueryTransformer.builder().chatClientBuilder(builder).build();

        //这个其实就是把用户原始问题"改写成更利于检索的关键词问法"。可能会去除掉一些冗余的表达、口语化的连接词、介词等等，使得问题更加具体。但是他是没有上下文关联的，也就是说对于多轮会话，他无法替换一些代词
        QueryTransformer rewriteQueryTransformer = RewriteQueryTransformer.builder()
                .chatClientBuilder(builder)
                .build();
        // 翻译问题
        QueryTransformer translationQueryTransformer = TranslationQueryTransformer.builder()
                .chatClientBuilder(builder)
                .build();

        // 多元化查询   ，生成多个问题
        QueryExpander queryExpander = MultiQueryExpander.builder()
                .chatClientBuilder(builder)
                .numberOfQueries(2)
                .includeOriginal(true)
                .build();

        //QueryAugmenter 的作用是在检索完成后、模型生成回答之前，对原始查询进行"上下文增强"。它会根据当前对话内容、历史记录，为查询构建新的提示词，使模型在生成最终回答时理解更充分。
        //
        //与上面介绍的 QueryTransformer 不同，QueryTransformer是作用于检索前，QueryAugmenter 更专注于在生成前增强上下文，确保回答更加准确
        QueryAugmenter queryAugmenter = ContextualQueryAugmenter.builder()
                .allowEmptyContext(true)
                .build();
        //DocumentJoiner 是 RAG 流程中的"文档合并器"。当检索到多个文本块的时候，它负责将这些检索返回的文本块简单拼接成一个统一的文档列表，并做基本的去重与按相似度分数排序，最终输出供大模型生成回答的上下文内容
        DocumentJoiner documentJoiner = new ConcatenationDocumentJoiner();
        RetrievalAugmentationAdvisor advisor = RetrievalAugmentationAdvisor.builder()
                .documentRetriever(retriever)
                .queryTransformers(List.of(queryTransformer, rewriteQueryTransformer, translationQueryTransformer))
                .queryAugmenter(queryAugmenter)
                .queryExpander(queryExpander)
                .documentJoiner(documentJoiner)
                .build();

        return chatClient.prompt(question).advisors(advisor).call().content();
    }


    @Override
    public void afterPropertiesSet() throws Exception {
        chatClient = ChatClient.builder(dashScopeChatModel).defaultAdvisors(new SimpleLoggerAdvisor()).build()
    }
}