第4集：让AI学会看文档：Spring AI RAG入门实战

上集回顾：老张给客服AI装上了"海马体"，多轮对话终于连贯了。但新问题来了------用户问"你们ERP系统的功能有哪些？"AI傻眼了："我不知道你们公司有什么系统..."

一、故事继续：知识鸿沟

周一早上，张姐又来了：

"老张，有个大客户在咨询咱们的ERP系统，AI怎么啥都不知道？客户都快跑了！"

老张一看后台：

复制代码

用户：你们的ERP系统支持什么功能？
AI：抱歉，我不了解贵公司的产品...

老张的顿悟："AI虽然会聊天、有记忆，但它从来没读过我们的文档！它不知道我们公司是做什么的！"

这就好比你有个聪明的秘书，但他从没看过公司的产品手册------你让他回答业务问题，他只能瞎猜。

二、技术引入：什么是RAG？

2.1 RAG是什么？

RAG = Retrieval-Augmented Generation（检索增强生成）

传统大模型	RAG增强
只靠训练数据回答	先查资料，再生成答案
不知道公司内部信息	能基于公司文档回答
幻觉问题严重	有资料可查，有据可依
知识更新需重新训练	上传新文档即可

老张的类比："RAG就像开卷考试------以前AI是闭卷，现在允许它翻书了！"

2.2 RAG的工作流程

复制代码

用户提问
    ↓
① 检索：在知识库中找相关资料
    ↓
② 增强：把资料塞进Prompt
    ↓
③ 生成：AI基于资料生成答案
    ↓
返回答案（带来源引用）

三、第一步：文档解析

3.1 Spring AI的DocumentReader

Spring AI 通过 Apache Tika 提供了统一的多格式解析器 TikaDocumentReader，一份代码就能读 PDF / Word / TXT / Markdown / HTML：

java 复制代码

// 一份代码通吃所有格式（PDF、Word、TXT、MD、HTML）
DocumentReader reader = new TikaDocumentReader(resource);
List<Document> documents = reader.read();

// 如果是纯 PDF，也可以用更细的 PagePdfDocumentReader / ParagraphPdfDocumentReader
// DocumentReader pdfReader = new PagePdfDocumentReader(resource);

⚠️ 代码验证说明 ：早期版本有 PdfReader、WordDocumentReader 等独立类，Spring AI 1.0 起统一收敛为 TikaDocumentReader（按页/按段拆分可配 ExtractedTextFormatter）。本教程统一用 TikaDocumentReader，避免类名随版本变动。

3.2 实战：解析PDF

java 复制代码

@Service
public class DocumentService {
    
    public List<Document> parsePdf(String filePath) {
        Resource resource = new FileSystemResource(filePath);
        
        // 统一用 TikaDocumentReader 解析（PDF/Word/TXT 都支持）
        DocumentReader reader = new TikaDocumentReader(resource);
        
        // 解析并返回文档列表
        return reader.read();
    }
}

老张的发现："原来Spring AI已经封装好了各种解析器，跟Spring Boot自动装配一样省心！"

四、第二步：文本分块

4.1 为什么要分块？

直接扔整个PDF给AI？不行！

问题	原因
Token限制	大模型有输入长度上限
检索精度	整篇文档太粗，定位不准
语义完整	需要按段落/句子切分

4.2 TokenTextSplitter

java 复制代码

// Spring AI 1.0：TokenTextSplitter 构造参数为
// (chunkSize, minChunkSizeChars, maxChunkSizeChars, overlap, maxNumChunks)
TextSplitter splitter = new TokenTextSplitter(
    500,   // 每个 chunk 最大 500 个 token
    100,   // 最小 chunk 字符数
    800,   // 最大 chunk 字符数
    50,    // 重叠 50 个 token（保持上下文连贯）
    10000  // 最大 chunk 数量上限
);

// 分块
List<Document> chunks = splitter.apply(documents);

老张的比喻："就像把一本书切成章节，每章几百字，方便查找和记忆。"

五、第三步：向量化

5.1 EmbeddingModel

把文字转成向量（数字列表），这样计算机才能"理解"语义：

java 复制代码

@Service
public class EmbeddingService {
    
    @Autowired
    private EmbeddingModel embeddingModel;
    
    public float[] embed(String text) {
        // 调用智谱Embedding-2模型
        EmbeddingResponse response = embeddingModel.call(text);
        return response.getResults().get(0).getEmbedding();
    }
}

输出示例：

复制代码

原文："退货政策是什么？"

向量：[0.023, -0.156, 0.789, ...]（1536维）

5.2 语义相似度

复制代码

"退货政策"的向量  ≈  "退款规定"的向量  →  相似度0.85
"订单查询"的向量  ≠  "退货政策"的向量  →  相似度0.32

老张的理解："意思相近的文字，向量距离就近；意思无关的，距离就远。AI就是靠这个'理解'文字！"

六、第四步：存入向量库

6.1 主流向量库对比

向量库	优点	缺点	适用场景
Redis	快、简单	非专用	开发测试
PgVector	PostgreSQL扩展	需PostgreSQL	中小型项目
Milvus	性能好	部署复杂	大规模生产
Chroma	轻量本地	功能有限	个人项目

6.2 Redis向量库（推荐入门）

xml 复制代码

<!-- 依赖 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-vector-store-redis</artifactId>
</dependency>

yaml 复制代码

# 配置
spring:
  ai:
    vectorstore:
      redis:
        host: localhost
        port: 6379
        index-name: spring-ai-index
        prefix: "spring-ai:"

6.3 存储文档

java 复制代码

@Service
public class KnowledgeBaseService {
    
    @Autowired
    private VectorStore vectorStore;
    
    @Autowired
    private TextSplitter splitter;
    
    @Autowired
    private EmbeddingModel embeddingModel;
    
    public void addDocument(Document doc) {
        // 1. 分块
        List<Document> chunks = splitter.apply(Collections.singletonList(doc));
        
        // 2. 生成向量并存储
        vectorStore.add(chunks);
    }
}

七、第五步：检索增强生成

7.1 使用QuestionAnswerAdvisor

Spring AI内置了RAG助手，一行代码搞定：

java 复制代码

@Service
public class RagChatService {
    
    @Autowired
    private ChatClient chatClient;
    
    @Autowired
    private VectorStore vectorStore;
    
    public String chatWithRag(String question) {
        return chatClient.prompt()
            .user(question)
            .advisors(new QuestionAnswerAdvisor(vectorStore))  // 添加RAG助手
            .call()
            .content();
    }
}

老张的惊喜："就一行？不需要手写检索逻辑？Spring AI太贴心了！"

7.2 完整流程演示

java 复制代码

// 1. 上传文档到知识库
KnowledgeBaseService.addDocument(new Document(
    "我们的ERP系统支持：采购管理、销售管理、库存管理、财务管理..."
));

// 2. 用户提问
String answer = ragChatService.chatWithRag("你们的ERP支持什么功能？");

// 3. AI回答（基于文档）
/*
根据我们的产品文档，我们的ERP系统主要支持以下功能：
1. 采购管理：供应商管理、采购订单、入库管理
2. 销售管理：客户管理、销售订单、出库管理
3. 库存管理：仓库管理、库存调拨、盘点管理
4. 财务管理：应收应付、成本核算、报表分析
*/

八、效果对比

场景	无RAG	有RAG
问公司产品	瞎编或说不知道	准确引用文档
问内部流程	通用回答	基于内部资料
知识更新	需重新训练	上传新文档
幻觉问题	严重	大幅降低

张姐的评价："现在AI回答都有依据了，客户也放心了！"

九、下一集预告

RAG跑通了，但老张发现一个问题：检索质量不稳定。有时能召回正确答案，有时却找到了无关内容。

第5集《向量数据库是什么？AI的第二大脑》将深入讲解：Embedding原理、向量相似度计算、以及如何调优检索效果。

📦 完整代码

GitHub分支：chapter04-rag-intro

💬 互动环节

老兵问答：

你的项目中有需要接入AI知识库的场景吗？

A. 已有，正在做

B. 计划做，还没开始

C. 暂时没有

D. 其他（评论区聊聊）

下周三晚9点，我们继续！

作者：Java老兵搞AI | 关注我，看Java如何玩转AI