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()
    }
}
相关推荐
jaysee-sjc22 分钟前
【黑马点评】Day02:优惠券秒杀与分布式锁
java·分布式·nginx·spring·node.js·tomcat·maven
GoldenSpider.AI1 小时前
讲透 Claude Code 的 Code Mode:原理、流程、用法与 24 轮实测
人工智能·ai编程·claude code
oak隔壁找我1 小时前
一款运行在 DSH(DeepSeek Harness)中的工作区文件管理插件
人工智能
秋天的怀念_David1 小时前
算法一千零一夜 · 第三十五夜 · 恢复风暴
java·程序人生·算法
考虑考虑1 小时前
JDK27中的加密对象的 PEM 编码
java·后端·java ee
江屿风1 小时前
AI Agent架构全解析:从规划到记忆的智能跃迁
人工智能·笔记·架构·agent·c/s·mcp工作流
ZONGYUAN-ROOT1 小时前
【API配额】多源 LLM API 配额池化实战:轮换调度、变化量监控、故障自愈一套方案(Python 完整实现)
人工智能
syso_稻草人2 小时前
qwen-image-2.1 高清放大拆解:Qwen21LatentUpscale 潜空间 2x + denoise 0.35 修细节,12 组场景实测
人工智能·stable diffusion·prompt·comfyui·qwen-image2.1
行者-全栈开发2 小时前
SpringBoot + GraalVM 原生编译实战:启动时间从8秒到0.5秒的极致优化
java·spring boot·后端