Spring AI 学习指南（十一）RAG私有知识库实战

javalucene

234人浏览 · 2026-06-02 08:27:28

javalucene · 2026-06-02 08:27:28 发布

一、前言：为什么 RAG 是企业AI落地的刚需？

前面我们完成了基础对话、多轮记忆、MCP工具调用、Agent智能体，让AI具备了聊天、思考、做事的能力。

但所有通用大模型，都存在三个无法规避的硬伤：

知识静态滞后：训练数据固定，无法学习企业最新制度、业务文档、产品手册
无私有业务认知：完全不懂公司内部业务规则、专属流程、私有资料
严重幻觉问题：面对未知业务问题，会凭空编造答案，绝对无法上线生产

想要让AI 适配企业业务、基于内部文档精准答疑、杜绝幻觉，唯一低成本、高效率、可迭代的落地方案就是 RAG（检索增强生成）。

本篇采用 Spring AI 原生高阶写法：使用 QuestionAnswerAdvisor 自动实现检索增强，告别手动拼接上下文，架构更标准、代码更简洁、完全贴合生产规范。

二、RAG核心原理（极简通俗版）

2.1 核心思想：先检索，后生成

传统大模型问答：用户提问 → 模型凭历史训练数据回答 → 易滞后、易幻觉。

RAG 增强问答：用户提问 → 向量库语义检索私有文档 → 模型仅基于检索到的真实资料生成答案 → 数据真实、无幻觉、可随时更新知识库。

2.2 标准RAG两大阶段

阶段一：知识库离线构建（初始化执行一次）

文档加载 → 文本切片 → 向量化 → 存入向量库

阶段二：在线智能问答（用户每次提问）

问题向量化 → 语义相似度检索 → 自动拼接上下文Prompt → 模型精准生成答案

2.3 RAG vs 模型微调（企业选型结论）

微调：改模型权重、成本极高、训练周期长、文档更新需要重新训练、容易灾难性遗忘
RAG：不改模型、只改数据、零训练成本、支持动态增量更新、随时更新业务文档

企业业务文档频繁变更，RAG 是绝对最优解。

三、项目核心依赖

本篇所需完整依赖，适配文档解析、向量存储、AI问答全套能力，完整的pom.xml依赖如下：

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <parent>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-parent</artifactId>
        <version>3.5.14</version>
        <relativePath/>
    </parent>

    <groupId>demo.ai</groupId>
    <artifactId>spring-ai-demo</artifactId>
    <version>1.0.0</version>

    <properties>
        <maven.compiler.source>21</maven.compiler.source>
        <maven.compiler.target>21</maven.compiler.target>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <spring.ai.version>1.1.6</spring.ai.version>
    </properties>
    <dependencyManagement>
        <dependencies>
            <dependency>
                <groupId>org.springframework.ai</groupId>
                <artifactId>spring-ai-bom</artifactId>
                <version>${spring.ai.version}</version>
                <type>pom</type>
                <scope>import</scope>
            </dependency>
        </dependencies>
    </dependencyManagement>

    <dependencies>
        <dependency>
            <groupId>org.projectlombok</groupId>
            <artifactId>lombok</artifactId>
            <optional>true</optional>
        </dependency>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-client-chat</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-starter-model-zhipuai</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-pdf-document-reader</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-advisors-vector-store</artifactId>
        </dependency>
    </dependencies>

</project>

四、企业级RAG核心配置类

4.1 统一向量库+切片+记忆全局配置

package demo.ai.conf;

import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;
import org.springframework.ai.chat.memory.MessageWindowChatMemory;
import org.springframework.ai.document.DocumentTransformer;
import org.springframework.ai.embedding.EmbeddingModel;
import org.springframework.ai.transformer.splitter.TokenTextSplitter;
import org.springframework.ai.vectorstore.SimpleVectorStore;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
@RequiredArgsConstructor
public class VectorStoreConfig {

    /**
     * 初始化向量库
     * SimpleVectorStore：内存向量库，开箱即用，适合开发、测试、小型项目
     * 生产建议替换：Milvus / PgVector / RedisVector
     */
    @Bean
    public VectorStore vectorStore(EmbeddingModel embeddingModel) {
        return SimpleVectorStore.builder(embeddingModel).build();
    }

    /**
     * 全局文本切片器
     * 单片段800字符，兼顾语义完整性与检索精度
     */
    @Bean
    public DocumentTransformer textSplitter() {
        return TokenTextSplitter.builder().withChunkSize(800).build();
    }

    /**
     * 窗口式会话记忆
     * 保留最近10条对话，防止上下文溢出，支撑多轮RAG追问
     */
    @Bean
    public MessageWindowChatMemory chatMemory() {
        return MessageWindowChatMemory.builder()
                .maxMessages(10)
                .build();
    }

    /**
     * 构建带记忆的ChatClient
     * 为RAG多轮问答、上下文联动提供基础能力
     */
    @Bean
    public ChatClient chatClient(ChatClient.Builder builder, MessageWindowChatMemory chatMemory) {
        return builder
                .defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build())
                .build();
    }
}

4.2 核心配置说明

VectorStore：依托框架自动注入的EmbeddingModel实现文本向量化，统一向量入口
TokenTextSplitter：全局统一切片规则800字符，相比默认配置，检索精度更高、语义更完整
MessageWindowChatMemory：限制最大对话数，解决多轮RAG上下文过长、Token溢出问题
ChatClient：全局注入记忆顾问，天然支持RAG多轮关联追问

五、知识库加载工具类（PDF文档解析入库）

新版知识库加载工具类做了全面升级，摒弃了简陋的异常捕获，采用标准ETL流水线设计，新增日志可视化、文本增量入库能力、自定义文档路径配置。同时拆分PDF加载、纯文本加载双方法，既支持静态PDF知识库初始化，也支持动态文本实时入库，适配更多业务场景，结构更贴合生产级ETL规范。

package demo.ai.rag;

import lombok.RequiredArgsConstructor;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.document.Document;
import org.springframework.ai.document.DocumentReader;
import org.springframework.ai.document.DocumentTransformer;
import org.springframework.ai.reader.pdf.PagePdfDocumentReader;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.stereotype.Service;
import java.util.List;
import java.util.Map;

@Service
@RequiredArgsConstructor
@Slf4j
public class KnowledgeBaseLoader {

    private final VectorStore vectorStore;
    private final DocumentTransformer textSplitter;

    @Value("classpath:doc/公司考勤制度.pdf")
    private org.springframework.core.io.Resource pdfResource;


    /**
     * 加载 PDF 文档到向量数据库
     * 标准ETL流水线：抽取(Extract) - 转换(Transform) - 加载(Load)
     */
    public void loadPdfToVectorStore() {

        // 1. 抽取（Extract）：使用 PdfDocumentReader 读取 PDF
        DocumentReader pdfReader = new PagePdfDocumentReader(pdfResource);
        List<Document> documents = pdfReader.get();

        log.info("抽取完成，共 {} 个页面", documents.size());

        // 2. 转换（Transform）：对文档进行文本分割，生成便于检索的知识碎片
        List<Document> chunks = textSplitter.apply(documents);
        log.info("切分完成，共 {} 个知识片段", chunks.size());

        // 3. 加载（Load）：将向量存储到 VectorStore
        // ETL 流水线链式调用风格
        vectorStore.write(chunks);
        log.info("向量存储完成");
    }

    /**
     * 加载纯文本内容到向量数据库
     * 支持动态传入文本与元数据，适配实时增量入库场景
     */
    public void loadTextToVectorStore(String textContent, Map<String, Object> metadata) {
        Document doc = new Document(textContent, metadata);
        List<Document> chunks = textSplitter.apply(List.of(doc));
        vectorStore.write(chunks);
        log.info("文本内容已加载，共 {} 个知识片段", chunks.size());
    }

}

六、RAG核心控制器

package demo.ai.controller;

import demo.ai.rag.KnowledgeBaseLoader;
import jakarta.annotation.Resource;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.vectorstore.QuestionAnswerAdvisor;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequestMapping("/rag")
public class RagController {

    @Resource
    private ChatClient chatClient;

    @Resource
    private KnowledgeBaseLoader knowledgeBaseLoader;

    @Resource
    private VectorStore vectorStore;

    /**
     * 手动加载/刷新知识库
     * 适合文档更新后手动刷新，无需重启项目
     * 访问：http://localhost:8080/rag/load
     */
    @GetMapping("/load")
    public String loadKnowledgeBase() {
        knowledgeBaseLoader.loadPdfToVectorStore();
        return "✅ 知识库加载成功";
    }

    /**
     * 标准RAG智能问答接口
     * 自动语义检索 + 多轮上下文记忆 + 私有文档答疑
     * 访问：http://localhost:8080/rag/ask?msg=你的问题
     */
    @GetMapping("/ask")
    public String ask(@RequestParam String msg) {
        return chatClient.prompt()
                .user("简单介绍下" + msg)
                // 核心：开启官方RAG检索增强顾问
                .advisors(QuestionAnswerAdvisor.builder(vectorStore).build())
                // 绑定固定会话ID，实现多轮追问上下文关联
                .advisors(advisor -> advisor.param(ChatMemory.CONVERSATION_ID, "default-001"))
                .call()
                .content();
    }
}