1. Spring AI与RAG技术深度解析在当今人工智能技术快速发展的时代大型语言模型(LLM)已经成为技术领域的热点。然而这些强大的模型在实际应用中仍面临诸多挑战比如知识更新滞后、专业领域知识不足等问题。检索增强生成(Retrieval-Augmented Generation简称RAG)技术应运而生它巧妙地将信息检索与文本生成相结合为这些问题提供了优雅的解决方案。Spring AI作为Java生态中重要的AI框架为开发者提供了便捷的RAG实现路径。本文将深入探讨如何基于Spring AI构建高效的RAG系统从核心原理到实战应用再到优化策略为开发者提供全方位的技术指导。2. RAG技术核心原理2.1 RAG与传统LLM的对比传统的大型语言模型存在几个明显的局限性知识时效性问题模型训练完成后其知识就固定了无法获取最新的信息幻觉问题模型可能会生成看似合理但实际上错误的内容上下文窗口限制处理长文本时能力有限领域专业性不足通用模型缺乏特定领域的深度知识RAG技术通过引入外部知识检索机制有效解决了这些问题。其核心思想是当模型需要回答问题时先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模型最后让模型基于这些信息生成回答。2.2 RAG工作流程详解RAG系统的工作流程可以分为两个主要阶段离线索引阶段文档加载从各种格式(如PDF、Word、Excel等)中提取文本内容文本分割将长文档切分为适当大小的片段向量化使用Embedding模型将文本转换为向量表示存储将向量化后的数据存入向量数据库(如Milvus、Redis等)在线检索生成阶段查询向量化将用户问题转换为向量相似度匹配在向量数据库中查找最相关的文本片段上下文组装将检索到的信息整合到Prompt中生成回答模型基于提供的上下文生成最终回答3. Spring AI Milvus实战实现3.1 环境准备与配置要构建基于Spring AI的RAG系统首先需要准备以下环境依赖配置dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-starter-openai/artifactId /dependency dependency groupIdio.milvus/groupId artifactIdmilvus-sdk-java/artifactId version2.2.10/version /dependency应用配置# OpenAI配置 spring.ai.openai.api-keyyour-api-key spring.ai.openai.embedding.api-keyyour-api-key spring.ai.openai.embedding.base-urlhttps://api.openai-hk.com # Milvus配置 milvus.hostlocalhost milvus.port195303.2 核心代码实现3.2.1 创建向量集合public void createCollection() { ListFieldType fieldTypes Arrays.asList( FieldType.newBuilder() .withName(id) .withDataType(DataType.Int64) .withPrimaryKey(true) .withAutoID(true) .build(), FieldType.newBuilder() .withName(feature) .withDataType(DataType.FloatVector) .withDimension(1536) .build(), FieldType.newBuilder() .withName(instruction) .withDataType(DataType.VarChar) .withMaxLength(65535) .build(), FieldType.newBuilder() .withName(output) .withDataType(DataType.VarChar) .withMaxLength(65535) .build() ); CreateCollectionParam createParam CreateCollectionParam.newBuilder() .withCollectionName(springai_rag) .withFieldTypes(fieldTypes) .build(); client.createCollection(createParam); CreateIndexParam indexParam CreateIndexParam.newBuilder() .withCollectionName(springai_rag) .withFieldName(feature) .withIndexType(IndexType.IVF_FLAT) .withMetricType(MetricType.L2) .build(); client.createIndex(indexParam); }3.2.2 数据向量化与存储Autowired private EmbeddingModel embeddingModel; public void insertData(ListFaqItem items) { for (FaqItem item : items) { float[] embeddings embeddingModel.embed(item.getInstruction()); ListInsertParam.Field fields new ArrayList(); fields.add(new InsertParam.Field(feature, Collections.singletonList(embeddings))); fields.add(new InsertParam.Field(instruction, Collections.singletonList(item.getInstruction()))); fields.add(new InsertParam.Field(output, Collections.singletonList(item.getOutput()))); InsertParam insertParam InsertParam.newBuilder() .withCollectionName(springai_rag) .withFields(fields) .build(); client.insert(insertParam); } }3.2.3 RAG检索与生成Test void ragTest() { String userQuestion 预算8000元以内适合深度学习的笔记本电脑推荐; float[] queryEmbedding embeddingModel.embed(userQuestion); SearchParam searchParam SearchParam.newBuilder() .withCollectionName(springai_rag) .withMetricType(MetricType.L2) .withTopK(3) .withVectors(Collections.singletonList(queryEmbedding)) .withVectorFieldName(feature) .withOutFields(Arrays.asList(instruction, output)) .build(); SearchResults results client.search(searchParam).getData(); ListRowRecord records new SearchResultsWrapper(results).getRowRecords(); StringBuilder context new StringBuilder(); for (RowRecord record : records) { context.append(Q: ).append(record.get(instruction)).append(\n); context.append(A: ).append(record.get(output)).append(\n\n); } String enhancedPrompt String.format( # 角色设定 你是资深数码产品顾问擅长根据用户需求推荐笔记本电脑。 请严格基于以下商品库信息回答不要推荐库中不存在的商品。 # 商品库信息Top-3匹配结果 %s # 用户需求 %s # 回答要求 1. 先分析用户需求用途、预算、性能要求 2. 从商品库中推荐1-2款最合适的说明理由 3. 如果商品库中没有匹配项请明确告知暂无符合要求的商品 4. 最后可简要补充选购建议非强制 , context, userQuestion); String answer chatClient.prompt(enhancedPrompt).call().content(); System.out.println(answer); }4. RAG优化策略与实践4.1 文本分割策略优化文本分割(chunking)是影响RAG效果的关键因素之一。不同的分割策略适用于不同的场景分割策略实现方式优点缺点适用场景固定字符数每N个字符切分简单高效可能切断语义对上下文连续性要求不高的场景滑动窗口固定大小重叠部分保留上下文衔接数据冗余存储增加需要连贯性的长文档递归字符按标点优先级切分保持语义完整实现复杂专业文档、论文基于语义使用NLP模型判断语义边界最优语义保留计算成本高高精度要求的知识库最佳实践建议结合文档结构(Markdown标题、PDF段落)进行分层切分chunk大小建议控制在256-512 tokens之间设置适当的重叠(overlap)保持上下文连贯性4.2 检索优化技巧混合检索(Hybrid Search) 结合关键词检索(BM25)和向量检索可以同时获得精确匹配和语义理解的优势。// 伪代码示例 ListDocument keywordResults keywordSearch(query); ListDocument vectorResults vectorSearch(query); ListDocument hybridResults rerank(merge(keywordResults, vectorResults));重排序(Reranking) 使用专门的交叉编码器(Cross-Encoder)模型对初步检索结果进行精排提高最终结果的相关性。查询重写(Query Rewriting) 对用户的模糊查询进行扩展和澄清提高检索的准确性。4.3 RAG常见问题与解决方案RAG系统在实际应用中可能遇到多种问题以下是常见问题及解决方案问题类别具体表现解决方案Missing Content知识库中没有答案设置兜底回复持续扩充知识库Missed Top Ranked正确答案未进入Top-K调整similarity阈值引入重排序Not in Context检索到内容但与问题无关优化文本分割提升向量模型质量Wrong Format需要JSON但返回了文本Prompt中明确输出格式示例Incomplete答案只覆盖问题部分引导模型逐步思考(CoT)拆分复杂问题Not Extracted上下文中有答案但模型未提取优化Prompt模板增强上下文标识5. RAG效果评估与未来展望5.1 RAGAS评估框架RAGAS(Retrieval-Augmented Generation Assessment)是评估RAG系统的标准框架主要包含以下核心指标检索质量指标Context Relevancy(上下文相关性)衡量检索到的上下文与问题的相关程度Context Recall(上下文召回率)衡量检索结果是否包含回答问题所需的所有信息生成质量指标Faithfulness(忠实性)评估生成答案是否基于检索到的上下文Answer Relevancy(答案相关性)衡量答案与问题的直接相关程度评估数据集示例{ question: 预算8000元以内适合深度学习的笔记本电脑推荐, contexts: [ 机械革命翼龙15 Pro配备RTX4060显卡支持CUDA加速售价7499元, 联想拯救者Y7000P 2024款搭载i7-14650HX和RTX4060售价8499元超出预算, 轻薄本不适合深度学习缺乏独立显卡 ], answer: 推荐机械革命翼龙15 Pro配备RTX4060显卡支持CUDA加速价格7499元符合预算, ground_truths: [机械革命翼龙15 ProRTX40607499元] }5.2 RAG与微调的选择指南在实际项目中RAG和微调(Fine-tuning)各有适用场景选择RAG的场景需要实时更新的知识(如新闻、股价)数据量庞大且频繁变动需要解释性强的应用场景(可溯源到具体文档)预算有限无法承担微调成本选择微调的场景需要改变模型行为风格(如特定语气、格式)领域知识非常固定且通用模型表现极差对延迟敏感(RAG需要额外检索时间)5.3 RAG技术未来发展趋势Agentic RAG结合ReAct模式让模型自主决定何时检索、检索什么多模态RAG支持图片、音频、视频的检索增强Graph RAG结合知识图谱处理复杂的多跳推理问题在实际项目开发中建议先从简单的关键字检索向量混合方案开始逐步引入重排序、查询重写等优化策略根据实际效果和需求不断调整系统架构。