Spring AI 实战：RAG 三种架构
理论篇
一、为什么需要 RAG——让 LLM 做'开卷考试'
1.1 RAG 解决什么问题
前几章我们的机票 Agent 已经能查询航班、对比价格、多轮对话了。但如果用户问：
"你们东方航空的退改签政策是什么？"
"经济舱允许携带多大的行李？"
"儿童票怎么购买？"
LLM 要么编造答案（幻觉），要么说'我不知道'——因为这些是航空公司的私有知识，不在 LLM 的训练数据中。
RAG（Retrieval-Augmented Generation，检索增强生成）解决的就是这个问题：让 LLM 在回答前先'翻参考资料'。
不用 RAG = 闭卷考试（凭记忆，可能答错）
用 RAG = 开卷考试（有参考资料，答案有据可查）
1.2 RAG vs 微调 vs Function Calling
| 方案 | 本质 | 适用场景 | 成本 |
|---|---|---|---|
| RAG（Vector） | 运行时检索外部知识 | 事实性问答、政策查询、文档问答 | 低（无需训练） |
| GraphRAG | 构建知识图谱 + 图遍历检索 | 多跳推理、实体关系问答 | 高（需 LLM 抽取实体关系） |
| 微调 | 把知识烧入模型参数 | 学习特定风格、行业术语 | 高（需要 GPU 训练） |
| Function Calling | 调用 API 获取实时数据 | 实时数据查询、执行操作 | 低 |
| 直接搜索（grep/BM25） | 关键词 / 正则精确匹配 | 代码搜索、结构化数据、精确查找 | 极低 |
用户问'退改签政策' → RAG（知识在文档中） 用户问'今天的航班价格' → Function Calling（需要实时数据） 用户要求'用东北话回答' → 微调（学习风格）
生产中常常组合使用：RAG 提供知识，Function Calling 提供能力，微调提升风格。我们的机票 Agent 就是 RAG + Function Calling 的组合。
