SpringAI快速入门（7） RAG 实战（三）：检索增强配置与重排序实战

bst@微胖子2026-11-12 13:40

文章目录

本文整理自公众号「攻城狮学习营」原创文章《SpringAI快速入门（9） RAG 实战（三）：检索增强配置与重排序实战》（原文链接），聚焦进阶 RAG 配置与重排序（Rerank）实战。

本文是「Spring AI 向量检索与重排序全解析」系列的第三篇。在第一篇中我们了解了 RAG 基础概念和快速入门，在第二篇中深入了 ETL 全流程。本篇将聚焦于进阶的 RAG 配置------使用 RetrievalAugmentationAdvisor 实现精细化控制，并引入重排序（Rerank）技术来显著提升检索结果的排序质量。

一、进阶 RAG 配置：RetrievalAugmentationAdvisor

RetrievalAugmentationAdvisor 是 Spring AI 提供的更强大、更灵活的检索增强顾问，它允许开发者对 RAG 流程的各个环节进行精细化控制。相比于前面介绍的 QuestionAnswerAdvisor，它支持查询改写、空结果处理、文档后处理等高级功能。

下面逐一介绍其核心配置项，并给出一个完整的复杂流水线示例。

1. 查询空时扩展策略（Query Augmenter）

当向量检索返回的结果为空（即没有找到相似文档）时，可以通过 queryAugmenter 配置自定义的降级策略，避免将空上下文发送给模型导致错误回答。

java 复制代码 
.queryAugmenter(ContextualQueryAugmenter.builder()
    .allowEmptyContext(false)   // 不允许空上下文
    .emptyContextPromptTemplate(PromptTemplate.builder()
        .template("用户查询位于知识库之外。礼貌地告知用户您无法回答")
        .build())
    .build())
  • allowEmptyContext(false)：当检索结果为空时，不将空上下文传给模型，而是使用自定义提示模板。
  • emptyContextPromptTemplate：定义在无检索结果时，向模型发送的提示内容，可引导模型礼貌地拒绝回答。

2. 查询检索器与提示词重写（Query Transformers）

用户原始查询可能存在表述模糊、语义不完整、关键词缺失等问题。通过 queryTransformers 可以对查询进行改写，优化检索效果。Spring AI 提供了多种内置转换器：

（1）检索提示词重写（RewriteQueryTransformer）

使用大模型将用户查询改写为更适合向量检索的表述，提升召回精度。

java 复制代码 
.queryTransformers(RewriteQueryTransformer.builder()
    .chatClientBuilder(ChatClient.builder(dashScopeChatModel))
    .targetSearchSystem("航空票务助手")  // 目标检索系统的名称，用于指导改写
    .build())
（2）翻译重写（TranslationQueryTransformer）

如果用户使用非目标语言提问，可先翻译成系统支持的语言，再进行检索。

java 复制代码 
.queryTransformers(TranslationQueryTransformer.builder()
    .chatClientBuilder(ChatClient.builder(dashScopeChatModel))
    .targetLanguage("中文")   // 将用户查询翻译为中文
    .build())

多个转换器可以组合使用，按顺序执行。

3. 后置处理器（Document Post Processors）

检索到的文档列表在返回给模型之前，可以进行额外的处理，例如过滤、排序、截断、日志监控等。通过 documentPostProcessors 添加自定义处理逻辑。

java 复制代码 
.documentPostProcessors((query, documents) -> {
    System.out.println("Original query: " + query.text());
    System.out.println("Retrieved documents: " + documents.size());
    // 可在此对 documents 进行过滤、重排等操作
    return documents;
})

该处理器接收当前查询和检索到的文档列表，并返回处理后的文档列表（可修改）。

4. 完整复杂流水线示例

下面的示例综合了上述所有配置，并结合 SimpleLoggerAdvisor 打印日志，演示了如何构建一个完整的 RAG 流水线：

java 复制代码 
@Test
public void testRag3(@Autowired VectorStore vectorStore,
                     @Autowired DashScopeChatModel dashScopeChatModel) {

    ChatClient chatClient = ChatClient.builder(dashScopeChatModel)
            .defaultAdvisors(SimpleLoggerAdvisor.builder().build())
            .build();

    // 构建 RetrievalAugmentationAdvisor
    Advisor retrievalAugmentationAdvisor = RetrievalAugmentationAdvisor.builder()
            // 1. 配置文档检索器（相当于 QuestionAnswerAdvisor 的检索部分）
            .documentRetriever(VectorStoreDocumentRetriever.builder()
                    .similarityThreshold(0.50)
                    .vectorStore(vectorStore)
                    .build())
            // 2. 检索为空时的扩展策略（可选，此处注释掉）
            /*.queryAugmenter(ContextualQueryAugmenter.builder()
                    .allowEmptyContext(false)
                    .emptyContextPromptTemplate(PromptTemplate.builder()
                            .template("用户查询位于知识库之外。礼貌地告知用户您无法回答")
                            .build())
                    .build())*/
            // 3. 查询改写（可选，此处注释掉）
            /*.queryTransformers(RewriteQueryTransformer.builder()
                    .chatClientBuilder(ChatClient.builder(dashScopeChatModel))
                    .targetSearchSystem("航空票务助手")
                    .build())*/
            // 4. 检索后文档监控与操作（可选）
            .documentPostProcessors((query, documents) -> {
                System.out.println("Original query: " + query.text());
                System.out.println("Retrieved documents: " + documents.size());
                return documents;
            })
            .build();

    String answer = chatClient.prompt()
            .advisors(retrievalAugmentationAdvisor)
            .user("退一张票大概要多少费用？希望别扣太多啊")
            .call()
            .content();

    System.out.println(answer);
}

// 配置类（用于提供 VectorStore Bean）
@TestConfiguration
static class TestConfig {
    @Bean
    public VectorStore vectorStore(DashScopeEmbeddingModel embeddingModel) {
        return SimpleVectorStore.builder(embeddingModel).build();
    }
}

代码说明：

  • documentRetriever：指定了向量存储和相似度阈值，是检索的核心。
  • queryAugmenter：可配置空结果时的降级提示，本例中注释掉以便演示其他功能。
  • queryTransformers：可配置一个或多个查询改写器，本例注释掉，实际可开启。
  • documentPostProcessors：添加了一个简单的日志处理器，打印查询内容和召回文档数量，便于调试。
  • 最终通过 chatClient.prompt().advisors(retrievalAugmentationAdvisor).user(...).call().content() 执行完整流程。

该配置方式比 QuestionAnswerAdvisor 更加灵活，适合复杂业务场景下的 RAG 定制。

二、提升检索精度------重排序（Rerank）

为什么需要重排序？

在实际应用中，单纯依赖向量相似度排序存在以下问题：

  • 语义相似度局限：向量相似不等于内容绝对相关。两个文档可能在向量空间中距离很近，但实际内容却并不匹配用户意图。
  • 排序质量不佳：初始检索排序非最优，尤其当向量模型性能较差时，排序结果往往不够理想。
  • 上下文理解缺失：向量检索缺乏对查询和文档完整上下文的深度理解，无法精确判断文档与查询之间的真实相关性。

重排序方案（二阶段架构）

推荐采用"粗排 + 精排"的二阶段架构：

  1. 粗排（第一阶段）：向量检索快速召回 Top-K（如 200）候选文档，保证召回率。
  2. 精排（第二阶段） ：使用专用重排序模型（如 gte-rerank-hybrid）对候选文档重新评分，并按相关性降序输出，可设置分数阈值过滤低质量文档。

代码示例（使用 DashScopeRerankModel）

在 Spring AI 中，重排序通过 RetrievalRerankAdvisor 实现。以下是一个完整的端到端示例：

测试配置（使用 Ollama 较低性能向量模型，凸显 rerank 效果）：

java 复制代码 
@TestConfiguration
static class TestConfig {
    @Bean
    public VectorStore vectorStore(OllamaEmbeddingModel embeddingModel) {
        return SimpleVectorStore.builder(embeddingModel).build();
    }
}

重排序测试：

java 复制代码 
@SpringBootTest
public class RerankTest {

    @BeforeEach
    public void init(@Autowired VectorStore vectorStore,
                     @Value("classpath:rag/terms-of-service.txt") Resource resource) {
        TextReader reader = new TextReader(resource);
        reader.getCustomMetadata().put("filename", resource.getFilename());
        List<Document> docs = reader.read();

        ChineseTokenTextSplitter splitter = new ChineseTokenTextSplitter(80, 10, 5, 10000, true);
        List<Document> chunks = splitter.apply(docs);

        vectorStore.add(chunks);
    }

    @Test
    public void testRerank(@Autowired DashScopeChatModel chatModel,
                           @Autowired VectorStore vectorStore,
                           @Autowired DashScopeRerankModel rerankModel) {
        ChatClient chatClient = ChatClient.builder(chatModel).build();

        // 粗排 TopK=200，精排默认 TopN=5
        RetrievalRerankAdvisor advisor = new RetrievalRerankAdvisor(
            vectorStore, rerankModel,
            SearchRequest.builder().topK(200).build()
        );

        String content = chatClient.prompt()
            .user("退票费用")
            .advisors(advisor)
            .call()
            .content();

        System.out.println(content);
    }
}

效果对比：

  • 重排前，排名第一的文档与"退费"无关（如预订航班说明）。
  • 重排后，排名第一的文档直接包含取消预订费用信息（经济舱 75 美元等）。

重排序的核心价值

重排序技术为 RAG 系统带来了以下关键收益：

  1. 弥补向量模型不足：即使使用较低性能的向量模型（如 Ollama 的 nomic-embed-text），通过重排序仍能获得高质量的检索结果。
  2. 提升 Top-K 精确率：粗排阶段可以设置较大的 TopK（如 200），保证召回率；精排阶段从这 200 条中选出最相关的 Top-N（默认 5），保证精确率。
  3. 降低 Token 消耗：通过精排筛选出最相关的文档，减少发送给大模型的无关上下文，降低 Token 消耗和费用。
  4. 灵活可配置：可以根据业务场景独立调整粗排和精排的参数，实现检索质量与性能的最佳平衡。

系列总结：Spring AI RAG 实战要点回顾

  • 向量模型 决定语义表征质量，建议选择 text-embedding-v4 等高性能模型
  • 分块策略需结合业务场景，可尝试语义分块或递归分块，并配合重叠（overlap）机制
  • ETL 流程是 RAG 的数据底座，涵盖读取、分块、格式转换、元数据增强、向量化存储全链路
  • RetrievalAugmentationAdvisor 提供比 QuestionAnswerAdvisor 更灵活的精细化控制
  • 重排序能显著改善检索排序，尤其当向量模型较弱时效果明显，采用"粗排+精排"二阶段架构
  • 始终以**"业务召回效果"**为最终标准，而非追求固定阈值
相关推荐
#六脉神剑14 分钟前
myBuilder 11 月新版本：AI辅助设计
ide·人工智能·低代码·ai·mybuilder
codigger4 小时前
AI 把代码写得飞快，然后呢？聊聊我验收生成代码的一套流程
ai·程序员·编程·#人工智能
秋饼20 小时前
MCP 2026-07-28 无状态协议大改版：Spring AI 2.1 多轮往返请求与网关路由落地
java·ai·技术分享·后端开发
进击的雷神1 天前
我用 second-brain-skills 把 Claude Code 升级成了“第二大脑”：PPT、品牌手册、SOP 一人搞定
ai·claude·ppt·sop
Alluxio1 天前
Alluxio + OCI：为 AI 工作负载实现亚毫秒访问延迟与可扩展吞吐
运维·数据库·人工智能·分布式·缓存·ai·语言模型
wflynn1 天前
Genie 4新增原生音频,实时世界模型加入声音生成
ai·技术
吴名氏.1 天前
Java转AI Agent教程（第十二周）检索与切分
java·开发语言·人工智能·ai·ai agent
效率工作实验室1 天前
企业级AI Agent平台评测：核心指标、能力对比与选型路径
ai·企业级ai·agent选型·agent平台评测·agent平台对比
不吃紫菜2 天前
LangGraph 体系实战（下）：中断恢复、流式、子图与设计模式
ai
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02如何新建文件夹？ 电脑新建文件夹的4种方法03历年考研数学一、数学二、数学三真题试卷及答案PDF04几个好用的ip纯净度检测网站05微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新06昇腾910B系列芯片完全指南：四款型号对比、服务器选型与大模型部署实战07GitHub 镜像站点08苹果iPA游戏软件资源下载网站09蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接10Dify：一站式AI应用开发平台全解析与Windows部署指南