【SpringAI教程】第二阶段：RAG 检索增强生成（企业落地版）

最新推荐文章于 2026-04-24 11:42:39 发布
原创 最新推荐文章于 2026-04-24 11:42:39 发布 · 768 阅读 · 23 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#人工智能

本文档用于记录 RAG（Retrieval Augmented Generation，检索增强生成）核心技术实现，覆盖企业 AI 落地 90% 场景所需的核心模块，是简历核心技术亮点的重要支撑。文档基于 Spring AI 框架实现，整合文本处理、向量嵌入、向量数据库及完整 RAG 流程，可直接用于本地学习、Demo 搭建及企业级基础落地。

一、技术概述

1.1 什么是 RAG

RAG 即检索增强生成，是结合「信息检索」与「生成式 AI」的核心技术，解决生成式 AI 幻觉、知识滞后、无法结合私有数据回答的核心痛点。其核心逻辑是：用户提问时，先从私有知识库（向量数据库）中检索出最相关的知识片段，再将知识片段与提问结合，交给大模型生成准确、有依据的回答。

核心价值：无需微调大模型，即可让 AI 结合企业私有数据（文档、手册、知识库等）回答问题，降低企业 AI 落地成本，提升回答准确性和实用性，是企业 AI 落地的首选方案。

1.2 技术栈说明

  • 核心框架：Spring AI 1.0.1（适配 Java 生态，企业级首选）
  • 文本处理：spring-ai-tika-document-reader、spring-ai-pdf-document-reader、自定义文本清洗/预处理工具
  • 向量嵌入：Ollama 本地模型（BGE-M3、nomic-embed-text 均可）
  • 向量数据库：Redis Stack（轻量、易部署、支持向量检索，适配中小规模企业场景）
  • 大模型：Ollama 本地大模型（ministral-3:8b）

二、核心技术模块实现

2.1 向量与嵌入基础

2.1.1 Embedding 定义与作用

Embedding（嵌入）是将非结构化数据（文本、图像、视频等）转换为结构化的浮点数数组（向量）的过程。其中，文本 Embedding 是 RAG 技术的核心，其核心作用是：

  • 将文本的语义信息转化为可计算的向量，实现「语义相似度匹配」（而非字面匹配）；
  • 将文本向量存入向量数据库，实现高效的相似性检索，快速找到与用户提问最相关的知识片段；
  • 解决大模型无法直接处理长文本、私有文本的问题，为生成式 AI 提供精准的知识支撑。

2.1.2 Embedding 模型使用（本地 Ollama 版）

本方案采用 Ollama 本地运行 Embedding 模型，无需联网，适配本地学习和企业内网部署：

  1. nomic-embed-text：向量维度 768，轻量（60MB），CPU 运行速度快（比 BGE-M3 快 20 倍），适合本地学习、CPU 环境及中小规模知识库场景。

Spring AI 自动对接 Ollama Embedding 模型，无需手动实现向量生成逻辑，只需配置模型名称即可。

2.2 文本分块、清洗与预处理

文本预处理是 RAG 检索精度的核心保障——未经处理的文本（乱码、空格、无效信息）会导致向量生成失真，检索准确率下降。本方案实现完整的文本处理链路：PDF 解析 → 文本清洗 → 预处理 → 智能分块。

2.2.1 依赖引入（PDF 解析+文本处理）

2.2.2 核心工具类实现

（1）PDF 解析工具类（PdfParser）
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.springframework.stereotype.Component;
import java.io.ByteArrayInputStream;
import java.io.IOException;

@Component
public class PdfParser {

    /**
     * PDF 文件字节数组 → 提取纯文本
     * @param pdfBytes PDF 文件字节流（前端上传后获取）
     * @return 提取的纯文本
     * @throws IOException 解析异常
     */
    public String extractText(byte[] pdfBytes) throws IOException {
        // 自动关闭文档流，避免资源泄露
        try (PDDocument document = PDDocument.load(new ByteArrayInputStream(pdfBytes))) {
            PDFTextStripper stripper = new PDFTextStripper();
            // 按 PDF 页码顺序提取所有文本
            return stripper.getText(document);
        }
    }
}
（2）文本清洗与预处理工具类（TextProcessor）
import org.springframework.ai.document.Document;
import org.springframework.ai.transformer.splitter.TokenTextSplitter;
import org.springframework.stereotype.Component;
import java.util.ArrayList;
import java.util.List;
import java.util.regex.Pattern;

@Component
public class TextProcessor {

    // 智能分块器（递归分块算法，Spring AI 默认最优算法）
    private static final TokenTextSplitter SPLITTER = new TokenTextSplitter(
            800,    // chunkSize：每块最大 token 数（1 token ≈ 0.7-0.8 中文汉字）
            200,    // minChunkSizeChars：每块最小字符数（过滤碎片）
            10,     // minChunkLengthToEmbed：允许向量化的最小字符数（过滤无效内容）
            10000,  // maxNumChunks：最大分块数（防止超大文本撑爆系统）
            true    // keepSeparator：保留分隔符（保持段落语义完整）
    );

    /**
     * 文本清洗：移除无效信息，标准化文本格式
     */
    public String cleanText(String text) {
        if (text == null) return "";

        // 1. 替换多余空格、制表符、全角空格
        text = text.replaceAll("\\s+", " ");
        text = text.replaceAll("　", " ");
        // 2. 移除多余空行（连续换行保留1个）
        text = text.replaceAll("\\n+", "\n");
        // 3. 移除 PDF 常见垃圾信息（页码、页眉页脚）
        text = text.replaceAll("^\\d+$", "");
        text = text.replaceAll("第\\d+页", "");
        text = text.replaceAll("Page \\d+", "");
        // 4. 移除特殊符号、零宽字符、乱码
        text = text.replaceAll("[\\u200B\\u00A0]", "");
        text = text.replaceAll("[^\\p{Print}\\p{Han}]", "");
        // 5. 清理 URL、邮箱（可选，根据业务需求调整）
        text = text.replaceAll("https?://\\S+", "");
        text = text.replaceAll("\\S+@\\S+", "");

        return text.trim();
    }

    /**
     * 文本预处理：标准化格式，强化语义
     */
    public String preprocess(String text) {
        text = cleanText(text);

        // 中文标点标准化（避免中英文标点混用导致语义失真）
        text = text.replaceAll("\\. ", "。");
        text = text.replaceAll(", ", "，");
        text = text.replaceAll("\\? ", "？");
        text = text.replaceAll("! ", "！");

        // 标题强化（换行分隔，提升分块后检索精度）
        text = text.replaceAll("第[一二三四五六七八九十]+章", "\n$0");
        text = text.replaceAll("第\\d+章", "\n$0");

        return text.trim();
    }

    /**
     * 智能分块：清洗预处理后，生成可向量化的文档块
     * @param rawText 原始文本（PDF 解析后）
     * @param source 文档来源（如：纯休息休息吧.pdf，用于后续块管理）
     * @return 分块后的文档列表（每个块包含文本和元数据）
     */
    public List<Document> splitDocuments(String rawText, String source) {
        if (rawText == null || rawText.isBlank()) {
            return new ArrayList<>();
        }

        // 1. 文本清洗 + 预处理
        String processedText = preprocess(rawText);
        // 2. 构建原始文档，存入元数据（source 用于后续按文件管理块）
        Document originalDoc = new Document(processedText);
        originalDoc.getMetadata().put("source", source);
        originalDoc.getMetadata().put("textLength", processedText.length());
        // 3. 递归分块（按优先级切割：段落→换行→句号→逗号→硬切，保持语义完整）
        List<Document> chunks = SPLITTER.apply(List.of(originalDoc));
        // 4. 给每个分块打上 source 标签，便于后续按文件查询、删除
        for (Document chunk : chunks) {
            chunk.getMetadata().put("source", source);
        }

        return chunks;
    }
}

2.3 向量数据库（Redis Stack）

本方案选用 Redis Stack 作为向量数据库，其优势在于：轻量易部署、支持向量检索、与 Java 生态适配性好、适合中小规模知识库（企业 90% 基础场景够用），无需复杂的数据库配置，本地学习和企业部署均可快速上手。具体关于Redis Stack 的知识网上自行搜索。

2.3.1 application.yml配置

spring:
  ai:
    ollama:
      base-url: http://localhost:11434  # Ollama 本地服务地址
      embedding:
        model: nomic-embed-text  # 选用轻量 CPU 友好型 Embedding 模型
      chat:
        model: llama3  # 本地对话大模型（可替换为其他 Ollama 支持的模型）
  data:
    redis:
      vector-store:
        host: localhost  # Redis 地址（本地部署）
        port: 6379       # Redis 端口
        index-name: rag-index  # 向量索引名称（自定义）
        dimension: 768   # 向量维度（与 Embedding 模型一致：nomic-embed-text 768维）

2.3.2 向量数据库核心操作

Spring AI 封装了 Redis 向量库的所有操作，无需手动编写 Redis 命令，核心操作如下（集成在 RAG Service 中）：

  • 向量入库：将分块后的文档向量存入 Redis；
  • 相似性检索：根据用户提问的向量，检索出最相关的文档块；
  • 全量查询：查询 Redis 中所有文档块（用于本地调试）。

2.3.3 向量数据效果

三、完整 RAG 流程实现

完整 RAG 流程分为「文档入库链路」和「用户提问链路」，两条链路相互独立，可单独扩展，以下是核心 Service 实现（整合所有模块）。

3.1 核心 Service 实现（RagService）

package org.example.testai.service.businessService;

import org.apache.commons.lang3.time.StopWatch;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.document.Document;
import org.springframework.ai.embedding.EmbeddingModel;
import org.springframework.ai.embedding.EmbeddingResponse;
import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.ai.ollama.OllamaEmbeddingModel;
import org.springframework.ai.reader.ExtractedTextFormatter;
import org.springframework.ai.reader.pdf.PagePdfDocumentReader;
import org.springframework.ai.reader.pdf.config.PdfDocumentReaderConfig;
import org.springframework.ai.reader.tika.TikaDocumentReader;
import org.springframework.ai.transformer.splitter.TokenTextSplitter;
import org.springframework.ai.vectorstore.SearchRequest;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.ai.vectorstore.filter.Filter;
import org.springframework.ai.vectorstore.filter.FilterExpressionBuilder;
import org.springframework.ai.vectorstore.redis.RedisVectorStore;
import org.springframework.stereotype.Service;
import org.springframework.web.multipart.MultipartFile;
import redis.clients.jedis.JedisPooled;

import java.util.ArrayList;
import java.util.List;
import java.util.concurrent.TimeUnit;
import java.util.stream.Collectors;

@Service
public class RagService {

    private final OllamaChatModel chatModel;
    private final ChatClient chatClient;
    private final VectorStore vectorStore;
    private final TokenTextSplitter textSplitter;

//    private final EmbeddingModel embeddingModel;

    // 统一分块配置（生产标准：512token，100token重叠）
    public RagService(VectorStore vectorStore, OllamaChatModel chatModel, ChatClient chatClient) {
        this.vectorStore = vectorStore;
        this.chatModel = chatModel;
        this.chatClient = chatClient;
        this.textSplitter = new TokenTextSplitter();
    }

    // ====================== 生产级：文件加载 ======================
    public void loadDocumentFromFile(MultipartFile file) throws Exception {
        String fileName = file.getOriginalFilename();
        // 1. 格式校验（生产必做）
        if (!isValidFile(fileName)) {
            throw new IllegalArgumentException("不支持的文件格式，仅支持：pdf、docx、txt、md");
        }

        // 2. 多格式解析（Spring AI 原生支持）
        List<Document> documents;
        if (fileName.endsWith(".pdf")) {
            // PDF 专用解析（支持分页、OCR）
            PdfDocumentReaderConfig config = PdfDocumentReaderConfig.builder()
                    .withPageExtractedTextFormatter(new ExtractedTextFormatter.Builder()
                            .withNumberOfBottomTextLinesToDelete(3)
                            .build())
                    .build();
            PagePdfDocumentReader pdfReader = new PagePdfDocumentReader(file.getResource(), config);
            documents = pdfReader.read();
        } else {
            // Tika 通用解析（支持Word/Excel/Markdown等所有格式）
            TikaDocumentReader tikaReader = new TikaDocumentReader(file.getResource());
            documents = tikaReader.read();
        }

        // 3. 文本清洗 + 分块 + 入库
        processAndStoreDocuments(documents, fileName);
    }

    // ====================== 测试用：文本加载（生产可关闭） ======================
    public void loadDocumentFromText(String content) {
        Document doc = new Document(content);
        processAndStoreDocuments(List.of(doc), "测试文本");
    }

    // ====================== 统一处理逻辑 ======================
    private void processAndStoreDocuments(List<Document> rawDocs, String source) {
        // 1. 文本清洗（生产必做：去噪、去乱码、归一化），可以添加更多操作
        List<Document> cleanedDocs = rawDocs.stream()
                .peek(doc -> doc.getMetadata().put("source", source)) // 记录来源，生产必加
                .toList();

        // 2. 语义分块
        List<Document> chunks = textSplitter.apply(cleanedDocs);

        // 3. 向量化入库
        vectorStore.add(chunks);
        System.out.printf("✅ 文档「%s」处理完成，分块数：%d%n", source, chunks.size());
    }

    // ====================== 格式校验 ======================

    /*
    * 此处省略更多格式，只做演示
    * */
    private boolean isValidFile(String fileName) {
        if (fileName == null) return false;
        String lowerName = fileName.toLowerCase();
        return lowerName.endsWith(".pdf") || lowerName.endsWith(".docx")
                || lowerName.endsWith(".txt") || lowerName.endsWith(".md");
    }

    public String ask(String question) {
        StopWatch sw = new StopWatch();
        sw.start();
        List<Document> docs = vectorStore.similaritySearch(question);
        sw.split();
        System.out.printf("相似度搜索耗时：%d 秒%n%n", sw.getSplitTime()/1000);
        StringBuilder context = new StringBuilder();
        docs.forEach(doc -> context.append(doc.getText()).append("\n\n"));

        String prompt = """
                你是企业智能助手，严格参考以下资料回答，禁止编造。
                资料来源：%s
                问题：%s
                """.formatted(context, question);

//        String call = chatModel.call(prompt);
        String call = chatClient.prompt(prompt).call().content();
        sw.stop();
        System.out.printf("总耗时：%d 秒%n", sw.getTime(TimeUnit.SECONDS));
        return call;
    }


    /*
    * 想要自定义条数，默认用的是4条
    * */
    public List getAll(String msg) {
        SearchRequest request = SearchRequest.builder()
                .query(msg)
                .topK(5)
                .build();
        List<Document> documents = vectorStore.similaritySearch(request);
        System.out.println(documents);
        return documents;
    }
 

}

3.2 流程说明

3.2.1 文档入库流程（核心链路）

  1. 用户接口上传文档文件（字节流）；
  2. 工具列解析提取文件中的文本；
  3. 通过 TextProcessor 对文本进行清洗、预处理（去垃圾信息、标准化格式）；
  4. 通过 TokenTextSplitter 进行智能递归分块，生成多个语义完整的文档块；
  5. Spring AI 自动调用 Embedding 模型，将每个文档块转换为向量；
  6. 将向量及文档块元数据（source 等）存入 Redis 向量库。

3.2.2 用户提问流程（核心链路）

  1. 用户输入提问（如：“某某某.pdf 中提到的 xxx 有哪些？”）；
  2. Spring AI 自动调用 Embedding 模型，将提问转换为向量；
  3. 向量数据库（Redis）根据提问向量，检索出最相关的 N 个文档块（topK 可配置，默认是 4）；
  4. 拼接检索到的文档块，构造提示词（限制大模型仅参考该内容）；
  5. 调用本地大模型（如 llama3），生成有依据、无幻觉的回答；
  6. 将回答返回给用户。

https://gitee.com/an-ape-hou/spring-aihttps://gitee.com/an-ape-hou/spring-ai     具体实现代码查看代码库

spring-ai RAG（Retrieval-Augmented Generation）
master-dragon的专栏
07-11 1390
/ 生成一个机器人产品说明书的文档new Document("产品说明书:产品名称:科学计算器\n" +"产品描述：科学计算器具备多种数学运算和工程计算功能，主要包含以下核心能力：\n" +"功能：\n" +"1. 数学运算：支持四则运算、三角函数（正弦、余弦、正切）、反三角函数（反正切、反余弦）、对数、指数运算等基础数学功能。部分型号如Panecal支持二进制至十六进制的数制转换。\n" +
RAG 调优指南：Spring AI Alibaba 模块化 RAG 原理与使用
Apache Dubbo 官方博客
03-27 1572
RAG（Retrieval Augmented Generation，检索增强生成）与模块化 RAG （Modular RAG）简介。Spring AI Alibaba 模块化 RAG 原理与实践。
从原理到实战：基于SpringAI的RAG应用探索
sjkflw121150的博客
11-27 456
目前 LLM 生成的内容都是基于其训练时已知的信息，其无法访问外部的信息，因此无法回答训练数据以外的内容。例如，我们提出了一个问题，而这个问题是关于某个内部文档的，那么 LLM 就很有可能一本正经的胡说八道，这种情况称为大模型的幻觉。针对幻觉问题，我们可以把文档的内容和问题一起发送给 LLM，这样 LLM 就具有充足的上下文来回答问题。但是，当文档十分庞大时，与问题有关联的上下文可能只是文档中的某一小段话，这时候 LLM 就很可能无法准确找到重点，于是又胡乱地回答问题。
Spring AI核心：RAG 全链路实战
最新发布
欢迎访问我的博客！我想在这里分享一些有用和有趣的东西。希望我的内容对大家有帮助。
04-24 648
SpringAI的默认RAG提示词模版可能不一定适合我们。这时就需要进行自定义了。{query}→ 用户问题→ 检索内容示例接口你是一个实用的AI助手.用户问题:{query}上下文信息如下:Rules:1. 如果上下文没有答案，回答：不知道2. 不要说“根据上下文”3. 不要编造""").build();进行测试这是一张图片，ocr 内容为：用户发起问题。
Spring AI实现RAG（检索增强生成）详解与实践
beiduofen2011的专栏
12-08 1187
支持多种文件格式的文档加载实现高效的向量存储和检索构建智能的问答系统提供可追溯的知识服务RAG技术为AI应用提供了强大的知识增强能力，使得模型能够基于实际文档生成准确、可靠的回答。
Spring AI之RAG入门
遥远
06-03 2951
本文介绍了RAG（检索增强生成）技术的概念、应用场景及核心流程，并详细说明了如何利用SpringAI框架实现RAG功能。
Spring AI Java程序员的AI之Spring AI（三）RAG实战
qq1071643762的博客
10-17 4834
Spring AI目前也可以实现RAG我们也分步骤来看如何实现。
【SpringAI】第四弹：深入解析 Rag 检索增强工作流程、最佳实践和调优
OuO-1 的博客
10-01 2590
一、Rag检索增强工作流程：文档收集和切割-ETL、向量转换和存储、文档过滤和检索、查询增强和关联 二、RAG最佳实践和调优 三、混合检索策略、大模型幻觉、RAG 应用评估、高级 RAG 架构
Spring AI:检索增强生成(RAG)
xiatiaohcx的专栏
07-08 1405
SpringAI介绍了检索增强生成(RAG)技术的实现方法，包括现成的QuestionAnswerAdvisor和RetrievalAugmentationAdvisor解决方案，以及模块化自定义流程。系统支持查询转换(如重写、压缩、翻译)、多查询扩展、向量存储检索(带元数据过滤)和文档后处理等功能。通过ContextualQueryAugmenter将检索内容整合到提示中，可显著提升语言模型回答的准确性。开发者可灵活配置相似度阈值、top-K结果数量等参数，并支持静态/动态过滤器表达式。该框架采用模块化设
SpringAI实现RAG检索增强生成
qq_53252032的博客
07-17 1364
引言：1.RAG是什么？检索增强生成（Retrieval-Augmented Generation，简称 RAG），是一种结合信息检索与文本生成的技术范式。：从知识库中检索与用户查询相关的文档片段。：将检索到的内容作为上下文，指导LLM生成更准确的回答。2.RAG有什么用？可以结合自己的业务领域知识，开始搭建医疗、法律、产品知识问答；将用户查询与索引知识融合，利用大语言模型生成准确回答。。
SpringAI框架中的RAG知识库检索与增强生成模型详解
XP_DSB的博客
05-09 2375
本文详细介绍了SpringAI框架中RAG技术的实现方式，包括QuestionAnswerAdvisor和RetrievalArgumentAdvisor两种主要方案，以及检索前预处理、检索、检索后处理和生成的完整流程示例。
Spring AI之检索增强生成（Retrieval Augmented Generation, RAG）
湖边工程师
04-02 1631
当用户提问时，QuestionAnswerAdvisor 会从向量数据库检索与问题相关的文档，并将结果附加到用户输入中，为 AI 生成回复提供上下文。Spring AI 提供了基于模块化架构的 RetrievalAugmentationAdvisor ，支持开箱即用的常见 RAG 流程。默认情况下，若未检索到相关文档，模型将拒绝回答。功能：根据文档与查询的相关性对列表重新排序，将最相关文档置于顶部，解决中间迷失问题。功能：移除不相关或冗余文档，解决中间迷失问题 和模型上下文长度限制。
SpringBoot 整合SpringAI实现简单的RAG (检索增强生成)
m0_71741473的博客
10-31 1103
本文介绍了如何使用SpringAI框架构建RAG（检索增强生成）系统。主要内容包括： 环境准备： 要求JDK17+，推荐JDK21 使用Docker安装Elasticsearch 8.15.5作为向量数据库 提供了docker-compose配置文件示例 技术整合： 引入SpringAI相关依赖，包括OpenAI组件和Elasticsearch集成 配置Elasticsearch Java客户端 设置矢量数据库连接 核心功能： 实现文本向量嵌入与检索功能 构建完整的RAG系统架构 使LLM能够访问特定领域或
springAI + DeepSeek 版 RAG 来啦！！！
hello！树先生！
02-21 3350
上篇文章我们了解了springAI+zhipu+pgvector实现RAG，从环境搭建到代码编写再到效果演示的完整过程。考虑到近期DeepSeek大火，很多开发者需要对接DeepSeek，所以，这篇文章，将带大家使用springAI+DeepSeek+zhipuEmbedding+pgvector实现RAG，希望能够帮到有需要的开发者。
SpringAI 全栈开发 + RAG 检索增强实战
果酱 の 博客
02-28 1028
本文介绍了SpringAI框架在企业级AI应用开发中的实践应用。SpringAI作为原生适配Spring生态的AI开发框架，提供了统一的大模型接入抽象和全链路RAG能力支持，显著降低了Java开发者构建AI应用的门槛。文章详细阐述了RAG技术的核心原理与实现方案，包括文档处理、文本分块、向量存储、智能检索等关键环节，并提供了完整的代码示例。同时，针对生产环境中的效果优化、常见问题和安全合规等方面给出了实践建议。
Spring AI教程（十六）：检索增强生成（RAG）与函数调用 | Spring AI教程（十七）：实现RAG技术与评估AI响应
阿里渣渣java研发组-群主
06-07 4669
在前面的文章中，我们讨论了Prompt模板、嵌入技术和Token管理。这篇文章将进一步探讨检索增强生成（Retrieval Augmented Generation, RAG）和函数调用技术，帮助你将Spring AI的功能发挥到极致。检索增强生成（RAG）是一种结合信息检索和生成模型的技术，用于将相关数据嵌入到Prompts中，以提高AI模型的响应准确性。该方法包括一个批处理风格的编程模型，读取未结构化的数据，将其转换，然后写入向量数据库。总体上，这是一个ETL（Extract, Transform, L
第六章：Rag 增强问答质量
yingzi的技术博客
05-31 762
原文链接说明：SpringAI(GA)：RAG快速上手+模块化解读 说明：本教程将采用2025年5月20日正式的GA版，给出如下内容版本：JDK21 + SpringBoot3.4.5 + SpringAI 1.0.0 + SpringAI Alibaba 1.0.0.2将陆续完成如下章节教程。本章是第六章（Rag增强问答质量）下的快速上手+Rag模块化源码解读代码开源如下：https://github.com/GTyingzi/spring-ai-tutorial以下结合内存向量数据库实现 RAG 的典型
SpringAI RAG 实践开发学习
m0_74958221的博客
06-02 1403
SpringAI RAG 实践开发摘要 本文介绍了基于 SpringAI 的 RAG（检索增强生成）技术实现框架，主要内容包括： 核心概念：RAG通过检索外部知识库增强大模型回答准确性，包含离线数据准备和运行时检索生成两个阶段。 关键组件： 顾问链机制实现请求拦截处理 两种核心顾问：基础检索（RetrievalAugmentationAdvisor）和重排序（RetrievalRerankAdvisor） 提示词模板设计与变量注入技术 实现流程： 基础检索：使用向量数据库获取相关文档 重排序优化：通过语义模
检索增强 RAG详解 ：用spring ai的组件来做个问答机器人
whisperzzza的博客
12-04 1734
基于RAG（检索增强生成）技术，可以使用Java开发智能客服机器人。核心思路是首先将问答QA以Word形式导入系统，并通过数据准备流程进行清洗和向量化处理。接着，利用向量化后的数据构建索引，便于快速检索。当用户提出问题时，系统先识别查询意图并改写查询，再从已建立的索引中检索相关信息。最后，根据检索结果生成回答返回给用户。这一过程充分利用了RAG能力，结合大模型如阿里云通义千问，使得Java智能问答客服机器人能够高效、准确地提供服务。
【SpringAI】实战：基于Milvus的向量检索与RAG应用开发
5f4d3s2a1q的博客
02-16 545
本文详细介绍了如何利用SpringAI框架与Milvus向量数据库，快速构建一个企业级的检索增强生成（RAG）应用。通过实战代码演示了从环境搭建、核心配置到服务开发的完整流程，重点讲解了如何实现文本向量化存储、语义检索以及与大模型结合生成精准答案，为开发智能客服、知识库等AI应用提供了高效解决方案。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值