Spring AI 实现 RAG 检索增强生成详解与实践

Spring AI 实现 RAG（检索增强生成）详解与实践

一、什么是 RAG？

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索和文本生成的技术。它通过从外部知识库中检索相关信息，然后将这些信息作为上下文提供给生成模型，从而生成更准确、更相关的回答。

RAG 的核心原理

1. 检索（Retrieval）：从知识库中检索与查询相关的文档片段
2. 增强（Augmentation）：将检索到的信息作为上下文增强提示
3. 生成（Generation）：基于增强后的提示生成最终回答

RAG 的优势

• 知识更新：无需重新训练模型即可更新知识
• 准确性：基于实际文档生成，减少幻觉问题
• 可追溯性：可以追溯到信息来源
• 成本效益：比微调模型更经济

二、Spring AI 中的 RAG 支持

Spring AI 提供了完整的 RAG 实现框架，包括：

• 向量存储：支持多种向量数据库
• 文档加载：支持多种文件格式
• 文本分割：智能文档分块
• 向量化：文本向量嵌入
• 检索：相似度搜索

三、Spring AI 实现 RAG 的步骤

1. 添加依赖

在 pom.xml 中添加 Spring AI RAG 相关依赖：

<dependencies>
    <!-- Spring AI Core -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-core</artifactId>
        <version>1.0.0</version>
    </dependency>
    <!-- Spring AI OpenAI -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
        <version>1.0.0</version>
    </dependency>
    <!-- Spring AI Vector Store (支持多种向量数据库) -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-pgvector-store</artifactId>
        <version>1.0.0</version>
    </dependency>
    <!-- 或者使用其他向量数据库 -->
    <!-- <dependency> 
        <groupId>org.springframework.ai</groupId> 
        <artifactId>spring-ai-chroma-store</artifactId> 
        <version>1.0.0</version> 
    </dependency> -->
    <!-- 文档处理 -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-pdf-document-reader</artifactId>
        <version>1.0.0</version>
    </dependency>
</dependencies>

2. 配置向量存储和模型

在 application.yml 中配置：

spring:
  ai:
    openai:
      api-key: ${OPENAI_API_KEY}
      chat:
        options:
          model: gpt-4
          temperature: 0.7
    vectorstore:
      pgvector:
        index-type: HNSW
        distance-type: COSINE_DISTANCE
        dimensions: 1536

3. 创建向量存储服务

package com.example.rag.service;

import org.springframework.ai.document.Document;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Service;

import java.util.List;

@Service
public class VectorStoreService {
    @Autowired
    private VectorStore vectorStore;

    /**
     * 添加文档到向量存储
     */
    public void addDocuments(List<Document> documents) {
        vectorStore.add(documents);
    }

    /**
     * 根据查询检索相似文档
     */
    public List<Document> search(String query, int topK) {
        return vectorStore.similaritySearch(query, topK);
    }
}

4. 实现 RAG 服务

package com.example.rag.service;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.messages.UserMessage;
import org.springframework.ai.document.Document;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Service;

import java.util.List;

@Service
public class RagService {
    @Autowired
    private ChatClient chatClient;

    @Autowired
    private VectorStoreService vectorStoreService;

    /**
     * 执行 RAG 查询
     */
    public String ragQuery(String query) {
        // 检索相关文档
        List<Document> relevantDocs = vectorStoreService.search(query, 3);
        
        // 构建上下文
        StringBuilder contextBuilder = new StringBuilder();
        for (Document doc : relevantDocs) {
            contextBuilder.append(doc.getContent()).append("\n");
        }

        // 生成回答
        UserMessage userMessage = new UserMessage(
            "基于以下上下文回答问题：" + contextBuilder.toString() + "\n问题：" + query
        );
        
        return chatClient.prompt().user(userMessage).call().content();
    }
}