提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

前言

SpringAI的学习笔记

一、非重点前置

embedding：将一长串文本转换成多维向量，比如1024维，然后通过余弦不等式计算相似度，可以用于做推荐系统。相关不重要的资料，是将演员简介全部转换为向量，然后新用户点击后，寻找和他加权平均向量链值最接近的用户，推荐新用户没看过的，即用embedding实现协同过滤。
RAG：将知识库前篇后匹配用户问题，并返回

二、重点

1.手写RAG

1.chunk划分适中，设置为200-500，过大导致内容都在一个chunk，回答也集中在某个chunk，丢失细节；过小导致可能会丢失上下文信息

2.减小相似度，将更多的chunk返回给模型，或者topN多拿一些

3.手动获取相邻片段

2.RAG的API使用

分两种，一种就是questionAndAnswer，另一种可以带上下文RetrivalArgument


实际使用如果需要AI严格按照知识库来回答，还是要调小相似度，让尽可能多的chunk返回给模型，回答效果才能比较好。

3.MCP协议

如果有更换模型的考虑，可能在编写开始就要考虑遵循MCP协议。MCP协议是大模型和调用工具间的规范。

1. 单机
   注：client端执行server端指定目录下的jar包，来实现调用

server端

client端

2. 远程
   代码层几乎一样，只是修改了pom文件

总结

如果是刚开始，注意应该放在embedding和RAG，然后如果想要手写的工具能够被多个模型复用，就注意一下MCP，就这些。