Spring AI Alibaba Graph框架实现RAG私有知识库问答

目录

前言

[一、先聊背景:为什么需要 RAG?](#一、先聊背景:为什么需要 RAG?)

二、最终目标

三、环境准备

[3.1 技术栈](#3.1 技术栈)

[3.2 安装与启动 Redis Stack](#3.2 安装与启动 Redis Stack)

[3.2.1 前置条件:启用 WSL 2](#3.2.1 前置条件:启用 WSL 2)

[3.2.2 安装 Docker Desktop](#3.2.2 安装 Docker Desktop)

[3.2.3 启动 Redis Stack 容器](#3.2.3 启动 Redis Stack 容器)

[3.2.4 验证 Redis Stack 是否正常运行](#3.2.4 验证 Redis Stack 是否正常运行)

[3.2.5 常用管理命令](#3.2.5 常用管理命令)

[四、Maven 依赖](#四、Maven 依赖)

五、核心配置

[六、RedisVectorStore 配置类](#六、RedisVectorStore 配置类)

[七、文件上传 + 文档入库](#七、文件上传 + 文档入库)

[7.1 核心 Controller](#7.1 核心 Controller)

[7.2 这段代码做了什么](#7.2 这段代码做了什么)

[八、RAG 问答接口](#八、RAG 问答接口)

九、最终完整结果测试


前言

这篇是 Spring AI 进阶系列的第三篇。在前两篇中,我们已经完成了 Spring Boot 3.3.4 集成 Spring AI Alibaba、使用 DashScope 大模型实现流式对话。但通用大模型有一个致命短板:它对我们的私有知识一无所知。本文将通过 RAG(检索增强生成)技术,配合 Redis Stack 向量数据库,手把手实现一个可上传文档、切割向量化、基于私有知识库回答的完整 RAG 系统。

一、先聊背景:为什么需要 RAG?

前面两篇我们成功把大模型接入了 Spring Boot,对话也跑通了。但很快就发现一个问题,你问它"我们公司最新的产品手册里有哪些功能",它完全答不上来。这不是模型不行,而是它的训练数据里根本没有你的私有文档。大模型就像一位知识渊博但从未读过你公司资料的专家,知识广度够但深度不够。

解决这个问题有两条路:

  • 微调(Fine-tuning) :拿私有数据重新训练模型。成本高、周期长、每次数据更新都要重新训练。

  • RAG(Retrieval-Augmented Generation) :不改模型,而是在问答时先从私有知识库检索相关内容,拼接进 prompt 一起发给模型。

RAG 就像给大模型外挂了一个"知识U盘"。用户提问时,系统先去向量库里找最相关的文档片段,然后把这些片段和问题一起"喂"给大模型,让它基于参考资料回答。这回要做的就是把这个流程完整落地。

二、最终目标

完成后你将拥有:

  1. 一个文件上传接口,支持 PDF、DOCX、TXT 等格式

  2. 文档自动经过 Tika 解析 → Token 切割 → 向量化 → 存入 Redis Stack

  3. 一个问答接口,提问时自动检索私有知识库,由大模型基于文档内容回答

  4. 一条完整的 ETL 数据流:上传 → 解析 → 切割 → 向量化 → 存储 → 检索 → 增强回答

三、环境准备

3.1 技术栈

组件 版本
JDK 17
Spring Boot 3.3.4
Spring AI 1.0.3
Spring AI Alibaba 1.0.0.4
Redis Redis Stack(Docker 运行)
对话模型 deepseek-v4-flash(阿里云 MaaS)
嵌入模型 text-embedding-v3

3.2 安装与启动 Redis Stack

RAG 需要向量检索能力,普通 Redis 不行,必须用 Redis Stack,它内置了 RediSearch 模块,支持向量索引和相似度搜索。在 Windows 上运行 Redis Stack,官方推荐的方式是通过 Docker 容器-。下面从零开始,分步完成环境搭建。

3.2.1 前置条件:启用 WSL 2

Docker Desktop 在 Windows 11 上需要 WSL 2 作为后端-。如果你的系统尚未安装 WSL 2,以管理员身份打开 PowerShell,执行:

bash 复制代码
wsl --install

安装完成后重启电脑。再次打开 PowerShell,验证 WSL 版本:

bash 复制代码
wsl --version

确保 WSL 版本不低于 2.1.5-。如果版本过低,执行 wsl --update 升级。

3.2.2 安装 Docker Desktop
  1. 访问 Docker 官网,下载 Docker Desktop for Windows (AMD64) 安装包-。

  2. 双击 Docker Desktop Installer.exe 运行安装程序。在安装向导中,务必勾选"Use WSL 2 instead of Hyper-V (recommended)" 选项-。

  3. 按照提示完成安装,安装完成后重启电脑。

  4. 从开始菜单启动 Docker Desktop。首次启动会提示接受服务条款,点击 Accept。等待任务栏托盘中的 Docker 图标变为稳定的绿色,表示 Docker 引擎已就绪。

  5. 打开 PowerShell,验证 Docker 是否安装成功:

bash 复制代码
docker --version

若正常输出版本号(如 Docker version 27.x.x),说明安装成功。

3.2.3 启动 Redis Stack 容器

Docker Desktop 就绪后,在 PowerShell 中执行以下命令,一键拉取并启动 Redis Stack:

bash 复制代码
docker run -d --name redis-stack -p 6379:6379 -p 8001:8001 -e REDIS_ARGS="--requirepass 123456" redis/redis-stack:latest

参数含义:

参数 说明
-d 后台运行容器
--name redis-stack 容器命名为 redis-stack,便于后续管理
-p 6379:6379 将宿主机 6379 端口映射到容器,Spring Boot 通过此端口连接 Redis-
-p 8001:8001 映射 RedisInsight 可视化界面端口,浏览器访问 http://localhost:8001 即可使用-
-e REDIS_ARGS="--requirepass 123456" 设置 Redis 密码为 123456
redis/redis-stack:latest 使用官方 Redis Stack 镜像,包含 RediSearch 等模块-

首次执行时 Docker 会从 Docker Hub 拉取镜像(约 500MB),需要等待几分钟。命令返回一长串容器 ID 表示启动成功。

3.2.4 验证 Redis Stack 是否正常运行

依次执行以下命令,确认服务一切正常:

bash 复制代码
# 1. 查看容器状态
docker ps

应看到 redis-stack 容器状态为 Up,且 PORTS 列有 0.0.0.0:6379->6379/tcp 的箭头映射。

bash 复制代码
# 2. 测试 Redis 是否响应
docker exec -it redis-stack redis-cli -a 123456 ping

返回 PONG 即正常。

bash 复制代码
# 3. 验证 RediSearch 模块已加载
docker exec -it redis-stack redis-cli -a 123456 MODULE LIST

输出中应包含 search 模块。

bash 复制代码
# 4. 测试向量索引命令
docker exec -it redis-stack redis-cli -a 123456 FT._LIST

返回空列表(不报错)即正常。如果报 ERR unknown command 'FT._LIST',说明连接到了普通 Redis,需要检查 6379 端口是否被本地 Redis 服务占用-。

3.2.5 常用管理命令
操作 命令
停止容器 docker stop redis-stack
启动已存在的容器 docker start redis-stack
查看日志 docker logs redis-stack
删除容器(数据丢失) docker rm -f redis-stack
进入容器内 Redis CLI docker exec -it redis-stack redis-cli -a 123456

⚠️ 踩坑提醒 :如果你之前安装过普通 Redis 服务(比如通过 MSI 安装包),它可能也在占用 6379 端口。Spring Boot 会连接到那个普通 Redis 上,导致 FT._LIST 报 unknown command。解决方法:停掉本地 Redis 服务(在"服务"管理器中停止 Redis 服务),或把 Docker 映射到其他端口(如 -p 6380:6379),并同步修改 application.properties 中的 spring.data.redis.port。

四、Maven 依赖

现有 pom.xml 基础上,需要补充以下依赖:

bash 复制代码
        <!-- Spring AI Redis 向量存储自动配置 -->
		<dependency>
		    <groupId>org.springframework.ai</groupId>
		    <artifactId>spring-ai-starter-vector-store-redis</artifactId>
		    <version>${spring-ai.version}</version>
		</dependency>
		
		<!-- Spring AI Tika 文档读取器 -->
		<dependency>
		    <groupId>org.springframework.ai</groupId>
		    <artifactId>spring-ai-tika-document-reader</artifactId>
		    <version>${spring-ai.version}</version>
		</dependency>
		
		<!-- Spring AI RAG Advisor(QuestionAnswerAdvisor) -->
		<dependency>
		    <groupId>org.springframework.ai</groupId>
		    <artifactId>spring-ai-advisors-vector-store</artifactId>
		    <version>${spring-ai.version}</version>
		</dependency>

五、核心配置

在 application.properties 中追加:

bash 复制代码
# ===================== Redis 连接 =====================
spring.data.redis.host=127.0.0.1
spring.data.redis.port=6379
spring.data.redis.password=123456
spring.data.redis.database=0

# ===================== Redis 向量库 =====================
# 首次启动自动创建索引
spring.ai.vectorstore.redis.initialize-schema=true
# 索引名
spring.ai.vectorstore.redis.index-name=rag-idx
# 向量数据键前缀
spring.ai.vectorstore.redis.prefix=rag:

# ===================== 对话模型(你现有的配置) =====================
spring.ai.openai.api-key=sk-你的Key
spring.ai.openai.base-url=https://llm-o4uz6dvcl1e8uyxv.cn-beijing.maas.aliyuncs.com/compatible-mode
spring.ai.openai.chat.options.model=deepseek-v4-flash

# ===================== 嵌入模型(RAG 必需) =====================
# ★ 关键:embedding 单独指定 base-url,因为你的 MaaS 端点可能不支持 /v1/embeddings
spring.ai.openai.embedding.base-url=https://dashscope.aliyuncs.com/compatible-mode
spring.ai.openai.embedding.options.model=text-embedding-v3

这里有一个非常容易踩的坑 :如果你的 chat 和 embedding 共用同一个 base-url,而那个端点恰好只支持 /chat/completions 不支持 /embeddings,调用 vectorStore.add() 时会直接报 404。解决办法就是单独为 embedding 指定一个可用的 base-url-。

六、RedisVectorStore 配置类

Spring AI 的 RedisVectorStoreAutoConfiguration 有一个硬性条件:容器中必须存在 JedisConnectionFactory Bean。Spring Boot 默认使用 Lettuce 客户端,不会自动创建 Jedis 工厂,所以需要手动补一个-。

bash 复制代码
@Configuration
public class RedisVectorStoreConfig {

    @Value("${spring.data.redis.host:127.0.0.1}")
    private String host;

    @Value("${spring.data.redis.port:6379}")
    private int port;

    @Value("${spring.data.redis.password:}")
    private String password;

    @Value("${spring.data.redis.database:0}")
    private int database;

    @Bean
    public JedisConnectionFactory jedisConnectionFactory() {
        RedisStandaloneConfiguration config = new RedisStandaloneConfiguration();
        config.setHostName(host);
        config.setPort(port);
        config.setDatabase(database);
        if (password != null && !password.isEmpty()) {
            config.setPassword(password);
        }
        return new JedisConnectionFactory(config);
    }
}

注意 :不能简单写 new JedisConnectionFactory(),那样不会读取 application.properties 里的密码配置,会导致 NOAUTH Authentication required。

七、文件上传 + 文档入库

7.1 核心 Controller

bash 复制代码
@RestController
@RequestMapping("/api/rag")
public class RagUploadController {
	
    private static final Logger log = LogManager.getLogger(HelloContoller.class);

    private final VectorStore vectorStore;

    public RagUploadController(VectorStore vectorStore) {
        this.vectorStore = vectorStore;
    }

    /**
     * 上传文件 → Tika 提取文本 → TokenTextSplitter 切割 → 存入 Redis 向量库
     */
    @PostMapping("/upload")
    public ResponseEntity<String> uploadAndIndex(@RequestParam("file") MultipartFile file) {

        String originalName = file.getOriginalFilename();

        try {
            log.info("【1】开始保存临时文件");
            File tempFile = File.createTempFile("rag_", "_" + originalName);
            file.transferTo(tempFile);
            tempFile.deleteOnExit();
            log.info("【1】临时文件保存完成: {}", tempFile.getAbsolutePath());

            log.info("【2】Tika 开始读取");
            Resource resource = new FileSystemResource(tempFile);
            TikaDocumentReader reader = new TikaDocumentReader(resource);
            List<Document> documents = reader.get();
            documents.forEach(doc -> doc.getMetadata().put("source", originalName));
            log.info("【2】Tika 读取完成,文档数: {}", documents.size());

            log.info("【3】开始切割");
            TokenTextSplitter splitter = new TokenTextSplitter();
            List<Document> chunks = splitter.apply(documents);
            log.info("【3】切割完成,chunk 数: {}", chunks.size());

            log.info("【4】开始写入向量库(最可能卡在这)");
            vectorStore.add(chunks);
            log.info("【4】向量库写入完成");

            return ResponseEntity.ok("处理完成,chunk 数: " + chunks.size() + ",已存入 Redis");
        } catch (Exception e) {
            log.error("【X】上传处理失败", e);
            return ResponseEntity.status(500).body(
                    "上传处理失败:" + e.getClass().getSimpleName() + " → " + e.getMessage()
            );
        }
    }
}

7.2 这段代码做了什么

整个流程遵循 Spring AI 的 ETL Pipeline 模式:DocumentReader → DocumentTransformer → VectorStore-。

  • TikaDocumentReader:底层使用 Apache Tika,能从 PDF、DOCX、PPT、HTML 等上千种格式中提取纯文本-。

  • TokenTextSplitter:默认按 800 tokens 为一个块切分,块与块之间有重叠,避免语义在边界处断裂-。

  • vectorStore.add():自动调用 EmbeddingModel 把每个 chunk 转成向量,然后写入 Redis。

八、RAG 问答接口

bash 复制代码
@RestController
@RequestMapping("/api/chat")
public class RagChatController {

    private final ChatClient chatClient;

    public RagChatController(ChatClient.Builder builder, VectorStore vectorStore) {

        QuestionAnswerAdvisor ragAdvisor = QuestionAnswerAdvisor.builder(vectorStore)
                .searchRequest(SearchRequest.builder()
                        .similarityThreshold(0.5)  // 相似度阈值
                        .topK(5)                    // 返回最相似的 5 个 chunk
                        .build())
                .build();

        this.chatClient = builder
                .defaultAdvisors(ragAdvisor)
                .build();
    }

    @GetMapping("/ask")
    public Map<String, String> ask(@RequestParam("message") String message) {

        String answer = chatClient.prompt()
                .user(message)
                .call()
                .content();

        return Map.of("answer", answer);
    }
}

注意 :similarityThreshold 和 topK 不能直接写在 QuestionAnswerAdvisor.builder() 上,它们属于 SearchRequest,需要通过 .searchRequest() 传入。SearchRequest 有默认值(topK 默认 4,similarityThreshold 默认 0.5),不传也能用。QuestionAnswerAdvisor 的工作原理:每次 prompt 时自动从 VectorStore 检索相关文档片段,拼接进 prompt 上下文后再发给模型。

九、最终完整结果测试

1.启动Docker 中 Redis stack,可以命令或者手动点击Actions中的三角按钮启动。

2.调用上传文件接口,完成PDF切割,并存入Redis向量数据库

点击上传了一篇关于知识共享的文献,大体内容如图所示

通过Redis Desktop工具,查看存储的向量数据,可以看到存储成功了。

3.调用问答接口

给出的问题,"什么是知识共享?",根据上传的PDF文献,给出了回答,说明整套流程成功。

相关推荐
Resean022310 小时前
Spring 源码分析(六)循环依赖与三级缓存
java·spring·缓存
在爪洼山玩泥巴10 小时前
fastjson2 JSONPath 取不存在路径,为什么会抛 “not support”?
java·开发语言·jsonpath·fastjson
码事漫谈20 小时前
当公司不久后变成冒险者公会,我担心什么
后端
星落梦生20 小时前
SpringAOP基础笔记(7)
java·开发语言
金銀銅鐵21 小时前
带您看懂字节码指令(四):一条指令里有什么
java·jvm
Csvn21 小时前
Nginx 负载均衡进阶与健康检查:哈希、keepalive 池与 DNS 自愈
后端·nginx
最强小杰21 小时前
某 OpenAI 兼容网关上的 `kimi-k3.1-pro`:Cline、Zed 接入与 SSE 排错示例
java·服务器·网络·ai
皮皮林5511 天前
京东又开源一款新框架,用起来真优雅!
后端
Flynn Liang1 天前
流量治理不是限流那么简单:I/O 密集型 Java 服务的 6 层防线
java·微服务·高并发·限流·熔断·系统稳定性·resilience4j