---

本节重点

---

通过为 AI 恋‏爱大师应用添加知识问答功能，入‏门并实战企业主流的 AI 开发‏场景 —— RAG 知识库，掌‏握基于 Spring AI 框‌架实现 RAG 的两种方式。

具体内容包括：

• AI 恋爱知识问答需求分析
• RAG 概念（重点理解核心步骤）
• RAG 实战：Spring AI + 本地知识库
• RAG 实战：Spring AI + 云知识库服务

---

重点聚焦

1. RAG 工作流程与核心步骤
2. 基‏于 Spring ‏AI + 本地知识‏库实现 RAG
3. 基于 Spring AI + 云知识库实现 RAG

---

一、AI 知识问答需求分析

---

1. AI 知识问答应用场景

---

随着 AI 技术的‏快速发展，越来越多的公司开始利用 ‏AI 重构传统业务，打造全新的用户‏体验和商业价值。其中，AI 知识问‏答是一个典型应用场景，广泛运用到教‌育、电商、咨询等行业，比如：

• 教育场景：AI 针对学生的薄弱环节提供个性化辅导
• 电商场景：AI 根据用户肤质推荐适合的护肤方案
• 法律咨询：AI 能解答法律疑问，节省律师时间
• 金融场景：AI 为客户提供个性化理财建议
• 医疗场景：AI 辅助医生进行初步诊断咨询

说白了，就是让‏ AI 利用特定行业的知识来‏服务客户，实现降本增效。其中‏，知识的来源可能来源于网络，‏也可能是自己公司私有的数据，‌从而让 AI 提供更精准的服务。

---

2. 恋爱大师应用的潜在需求

---

对于我们的 A‏I 恋爱大师，同样可以利用‏ AI 知识问答满足很多‏需求。

如果自己想不到需求的话‏，我们可以利用 AI 来挖‌掘一些需求，得到的结果如下：

1. 恋爱问题咨询

• 用户在恋爱过程‏中遇到各种问题，如表白方式、‏约会安排、处理矛盾等，都可以‏向恋爱大师AI应用提问。应用‏能提供准确、有针对性的解答和‌建议，帮助用户解决实际问题。

• 场景示例：用户‏询问"第一次约会该如何安排才‏能给对方留下好印象？"，系统‏能根据用户的具体情况（年龄、‏性别、对方偏好等）提供个性化‌建议，并推荐相关的约会攻略课程。

---

2. 恋爱知识学习与培训

• 将恋爱知识以课‏程、文章、问答等形式呈现给用‏户，开展恋爱知识学习与培训‏服务。用户可以系统地学习恋爱技‏巧、情感沟通等知识，提升自己‌在恋爱方面的素养和能力。

• 场景示例：‏根据用户的学习进度和‏兴趣点，推荐"高情商‏沟通技巧"、"如何建‏立稳定的亲密关系"等‌专题内容，并提供互动练习。

---

3. 恋爱社区与互动

• 在应用中建立‏社区，用户分享恋爱经验‏、问题和心得。AI可以‏对用户生成的内容进行分‏析整理，同时根据知识库‌引导讨论，促进用户互动。

• 场景示例：‏当用户在社区发布"如‏何处理异地恋"的话题‏时，系统能自动汇总相‏关经验分享，同时提供‌专业建议和成功案例分析。

---

4. 恋爱交友匹配

• 基于用户的‏性格特点、兴趣爱好‏和恋爱观念，帮助匹‏配潜在的恋爱对象，‏提供交流建议。

• 场景示例：‏系统分析用户的交流‏方式和情感需求，推‏荐性格互补、价值观‏相近的潜在恋爱对象‌，并提供破冰话题建议。

---

3. 具体需求

---

其实上述需求的实现方式几乎是一致的，所以我们项目将挑选其中一个实现，重点实现 定制化恋爱知识问答 功能，让 AI 恋爱大师不仅能回答用户的情感困惑，还能推荐自己出品的相关课程和服务，帮用户解决恋爱难题的同时，实现一波变现。

---

4. 如何让 AI 获取知识？

---

在实现这个需求前，我们需要思考一个关键问题：恋爱知识从哪里获取呢？

首先 AI 原本就拥有一些通用的‏知识，对于不会的知识，还可以利用互联网搜索。但是这些都是从网络获‏取的、公开的知识。

对于企业来说，数据是命脉，也是自己独特的价值，‏随着业务的发展，企业肯定会积累一波自己的知识库，比如往期用户的恋‏爱咨询和成功案例、以及自家的恋爱课程，如果让 AI 能够利用这些‌知识库进行问答，效果可能会更好，而且更加个性化。

如果不给 ‏AI 提供特定领域‏的知识库，AI 可‏能会面临这些问题：

1. 知识有限：AI 不知道你的最新课程和内容
2. 编故事：当 AI 不知道答案时，它可能会 “自圆其说” 编造内容
3. 无法个性化：不了解你的特色服务和回答风格
4. 不会推销：不知道该在什么时候推荐你的付费课程和服务

那么如何让‏ AI 利用自己的‏知识库进行问答呢？‏这就需要用到 AI‏ 主流的技术 ——‌ RAG。

---

二、RAG 概念

---

1. 什么是 RAG？

---

RAG（Retr‏ieval-Augmented ‏Generation，检索增强生‏成）是一种结合信息检索技术和 A‏I 内容生成的混合架构，可以解决‌大模型的知识时效性限制和幻觉问题。

简单来说，RA‏G 就像给 AI 配了一个‏ “小抄本”，让 AI 回‏答问题前先查一查特定的知识‏库来获取知识，确保回答是基‌于真实资料而不是凭空想象。

---

从技术角度看，R‏AG 在大语言模型生成回答之前‏，会先从外部知识库中检索相关信‏息，然后将这些检索到的内容作为‏额外上下文提供给模型，引导其生‌成更准确、更相关的回答。

通过 RAG 技术改造后，AI 就能：

• 准确回答关于特定内容的问题
• 在合适的时机推荐相关课程和服务
• 用特定的语气和用户交流
• 提供更新、更准确的建议

---

可以简单了解下 RAG 和传统 AI 模型的区别：

特性	传统大语言模型	RAG增强模型
知识时效性	受训练数据截止日期限制	可接入最新知识库
领域专业性	泛化知识‏，专业深度有限	可接入专业领域知识
响应准‏确性	可能产生 “幻觉”	基于检索的事‏实依据
可控性	依赖原始训练	可通过知‏识库定制输出
资源消耗	较高（需要大模型参‌数）	模型可更小，结合外部知识

---

2. RAG 工作流程

---

RAG 技‏术实现主要包含以下‏ 4 个核心步骤，‏让我们分步来学习：

• 文档收集和切割
• 向量转换和存储
• 文档过滤和检索
• 查询增强和关联

---

2.1 文档收集和切割

---

文档收集：从各种来源（网页、PDF、数据库等）收集原始文档

文档预处理：清洗、标准化文本格式

如果要将一个文本作为知识库，发送给文本大模型进行处理，如果这个模型只能处理内容中的文本，无法处理内容中的图片、超链接等，就要对这些无法处理的内容进行清洗；并且，文本中的代码最好也要清洗，避免因为文档切割，导致大模型的上下文中，代码切断导致逻辑不连贯；

文档切割：‏将长文档分割成适当‏大小的片段（俗称 ‏chunks）

• 基于固定大小（如 512 个 token）
• 基于语义边界（如段落、章节）
• 基于递归分割策略（如递归字符 n-gram 切割）

---

2.2 向量转换和存储

---

向量转换：‏使用 Embedd‏ing 模型，将文本‏块转换为高维向量表‏示，可以捕获到文本‌的语义特征

向量存储：‏将生成的向量，和对应‏文本存入向量数据库‏，支持高效的相似性‏搜索

---

2.3 文档过滤和检索

---

查询处理：将用户问题也转换为向量表示

过滤机制：基于元数据、关键词（如文档标签等）或自定义规则，也可以将这些过滤机制组合起来，进行过滤

相似度搜索‏：在向量数据库中查‏找与问题向量最相似‏的文档块，常用的相‏似度搜索算法有余弦‌相似度、欧氏距离等

上下文组装：将检索到的多个文档块组装成连贯上下文

• 简单来说，就是先将用户的问题转为向量；
• 然后进行在向量数据库中进行相似度搜索，得到一些文档的切片；
• 再使用一些元数据、自定义的规则过滤一波文档切片，得到与用户问题相关性较大的切片；
• 最后再调用 Rank 模型，根据与用户问题的相似度，对这些筛选出的文档切片进行最终的排序；
• 排序高的切片优先作为回答用户的知识库；

---

2.4 查询增强和关联

---

提示词组装：将检索到的相关文档，与用户问题组合成增强提示

上下文融合：大模型基于增强提示生成回答

源引用：在回答中添加信息来源引用

后处理：格式化、摘要或其他处理以优化最终输出

---

2.5 完整工作流程

---

分别理解上‏述 4 个步骤后，‏我们可以将它们组合‏起来，形成完整的 ‏RAG 检索增强生‌成工作流程：

1. 将作为知识库的文档进行预处理（清洗，标准化文本格式），根据特定的规则（如文章标题等格式）进行分割，得到文档的切片；
2. 调用 Embedding 模型，对切片进行向量转换，并存储到对应的向量数据库中；
3. 调用 Embedding 模型，对用户提问进行向量转换，然后调用算法（余弦算法等），对数据库进行相似度搜索，得到一些切片的结果，再对结果进行一波基于元数据、自定义规则…的过滤，再调用 Rank 模型，以用户提问为依据，对过滤结果进行精排；
4. 将用户提问与精排切片进行拼接，拼接的结果作为发送给 AI 的提示词，AI 根据提示词进行检索，得到结果，并标注获得结果的来源，再将结果进行结构化输出；

上述工作流程中涉及了很多技术名词，让我们分别进行解释。

---

3. RAG 相关技术

---

3.1 Embedding 和 Embedding 模型

---

Embeddin‏g 嵌入是将高维离散数据（如文‏字、图片）转换为低维连续向量的‏过程。

这些向量能在数学空间中表‏示原始数据的语义特征，使计算机‌能够理解数据间的相似性。

Embedding 模型是‏执行这种转换算法的机器学习模型，如 Word2Ve‏c（文本）、ResNet（图像）等。

不同的 Emb‏edding 模型产生的向量表示和维度数不同，一般‏维度越高表达能力更强，可以捕获更丰富的语义信息和更‌细微的差别，但同样占用更多存储空间。

---

3.2 向量数据库

---

向量数据库‏是专门存储和检索向量‏数据的数据库系统。

通‏过高效索引算法实现快‏速相似性搜索，支持 ‌K 近邻查询等操作。

注意，并不‏是只有向量数据库才‏能存储向量数据，只‏不过与传统数据库不‏同，向量数据库优化‌了高维向量的存储和检索。

---

AI 的流行带火了一波‏向量数据库和向量存储，比如 Milvus、‏Pinecone 等。此外，一些传统数据库‏也可以通过安装插件实现向量存储和检索，比如‏ PGVector、Redis Stack‌ 的 RediSearch 等。

用一张图来了解向量数据库的分类：

---

3.3 召回

---

召回是信息检索中的第一阶段，目标是从大规模数据集中，快速筛选出可能相关的候选项子集。

强调速度和广度，而非精确度。

---

3.4 精排和 Rank 模型

---

精排（精确排‏序）是搜索 / 推荐系统‏的最后阶段，使用计算复杂‏度更高的算法，考虑更多特‏征和业务规则，对少量候选‌项进行更复杂、精细的排序。(以时间换精度)

比如，短视频推荐‏先通过召回获取数万个可能相关视频‏，再通过粗排缩减至数百条，最后精‏排阶段会考虑用户最近的互动、视频‏热度、内容多样性等复杂因素，确定‌最终展示的 10 个视频及顺序。

---

Rank ‏模型（排序模型）负‏责对召回阶段筛选出‏的候选集进行精确排‏序，考虑多种特征评‌估相关性。

现代 Rank 模型‏通常基于深度学习，如 BERT、Lamb‏daMART 等，综合考虑查询与候选项的‏相关性、用户历史行为等因素。

举个例子，电‏商推荐系统会根据商品特征、用户偏好、点击‌率等给每个候选商品打分并排序。

---

3.5 混合检索策略

---

混合检索策‏略结合多种检索方法‏的优势，提高搜索‏效果。常见组合包括关‏键词检索、语义检索、知‌识图谱等。

---

比如在 AI 大‏模型开发平台 Dify 中，就为‏用户提供了 “基于全文检索的关键‏词搜索 + 基于向量检索的语义检‏索” 的混合检索策略，用户还可以‌自己设置不同检索方式的权重。

了解了 RAG 概念后，我们来学‏习如何利用编程开发实现 RAG。

想要在程序中让 AI 使用知识库‏，首先建议利用一个 AI 开发框架，比如 Spring AI；

然‏后可以通过 2 种模式进行开发 —— 基于本地知识库或云知识库服‏务实现 RAG。

下面分别讲解这 2 种模式

---

三、RAG 实战：Spring AI + 本地知识库

---

Spring AI 框架为我们实现 RAG 提供了全流程的支持，参考 Spring AI 和 Spring AI Alibaba 的官方文档。

由于是第一个‏ RAG 程序，我们参‏考标准的 RAG 开发‏步骤并进行一定的简化，‏来实现基于本地知识库的‌ AI 恋爱知识问答应用。

---

标准的 RAG 开发步骤：

1. 文档收集和切割
2. 向量转换和存储
3. 切片过滤和检索
4. 查询增强和关联

---

简化后的 RAG 开发步骤：

1. 文档准备
2. 文档读取
3. 向量转换和存储
4. 查询增强

---

1. 文档准备

---

首先准备用‏于给 AI 知识库‏提供知识的文档，推‏荐 Markdow‏n 格式，尽量结构‌化。

这里为‏大家准备了 3 篇《‏恋爱常见问题和回答》‏文档，可以在本项目的‏代码仓库中获取到，保‌存到资源目录下即可：

• 📎恋爱常见问题和回答 - 单身篇
• 📎恋爱常见问题和回答 - 已婚篇
• 📎恋爱常见问题和回答 - 恋爱篇

网盘链接: https://pan.baidu.com/s/1fpiWAF9_25ToEBBmir6SwQ 提取码: n4pc

---

💡 大家‏在学习 RAG 的‏过程中，可以利用 ‏AI 来生成文档，‏提供一段示例 Pr‌ompt：

帮我生成 3 篇 Markdown 文章，主题是【恋爱常见问题和回答】，3 篇文章的问题分别针对单身、恋爱、已婚的状态，内容形式为 1 问 1 答，每个问题标题使用 4 级标题，每篇内容需要有至少 5 个问题，要求每个问题中推荐一个相关的课程，课程链接都是 https://www.codefather.cn

---

2. 文档读取

---

首先，我们要对自己准备好的知识库文档进行处理，然后保存到向量数据库中。

这个过程俗称 ETL（抽取、转换、加载），Spring AI 提供了对 ETL 的支持，参考 官方文档。

---

ETL 的 3 大核心组件，按照顺序执行：

• DocumentReader：读取文档，得到文档列表
• DocumentTransformer：转换文档，得到处理后的文档列表
• DocumentWriter：将文档列表保存到存储中（可以是向量数据库，也可以是其他存储）

刚开始学习 RAG‏，我们不需要关注太多 ETL 的细‏节、也不用对文档进行特殊处理；

下面‏我们就先用 Spring AI 读‏取准备好的 Markdown 文档‌，为写入到向量数据库做准备。

---

2.1 引入依赖

---

Sprin‏g AI 提供了很‏多种 Docume‏ntReaders‏，用于加载不同类‌型的文件。

---

我们可以使用 MarkdownDocumentReader 来读取 Markdown 文档。

需要先引入依赖，可以在 Maven 中央仓库 找到（官方都没有提）。

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-markdown-document-reader</artifactId>
    <version>1.0.0-M6</version>
</dependency>

---

2.2 加载 Markdown 文档到内存中

---

在根目录下新建 rag 包，

---

参考官方文档的 markdown 读取代码，我们来编写文档加载器类 LoveAppDocumentLoader；

负责读取所有 Markdown 文档并转换为 Document 列表。

---

代码如下：

public/**
 * 恋爱大师应用文档加载器
 */
@Component
@Slf4j
public class LoveAppDocumentLoader {

    // 1. Spring 内置的资源解析类, 用于读取 resource 目录下的文档
    private final ResourcePatternResolver resourcePatternResolver;

    // 2. 通过构造函数的方式, 指定解析器解析的资源
    public LoveAppDocumentLoader(ResourcePatternResolver resourcePatternResolver){
        this.resourcePatternResolver = resourcePatternResolver;
    }

    /**
     * 3. 加载多篇 markdown 文档后, 转为 List<Document>
     * @return 元素为 Spring 内置的 Document 列表
     */
    public List<Document> loadMarkdowns(){
        // 返回对象, 表示 markdown 文档被加载后, 得到的内存对象
        List<Document> allDocuments = new ArrayList<>();

        try {
            // 4. 从类路径下, 加载多篇 markdown 文档 (加载可能会失败, 需要捕获异常)
            Resource[] resources = resourcePatternResolver.getResources("classpath:document/*.md");
            // classpath:document/*.md 匹配类路径下所有以 .md 结尾的文件

            // 5. 加载的结果转为 List<Document> 对象
            for(Resource resource : resources){
                // 6. 获取文件名
                String filename = resource.getFilename();

                // 7. cv 官方文档代码, 指定 markdown 加载器的配置
                MarkdownDocumentReaderConfig config = MarkdownDocumentReaderConfig.builder()
                        // 是否加载分割线(可以下载源码看具体说明)
                        .withHorizontalRuleCreateDocument(true)
                        // 是否加载代码块
                        .withIncludeCodeBlock(false)
                        // 是否加载引用块
                        .withIncludeBlockquote(false)
                        // 8. 以每篇文章的文章名, 作为单个加载资源的额外信息
                        .withAdditionalMetadata("filename", filename)
                        .build();
                
                // 9. 创建一个 markdown 加载器, 传入加载的资源单位和配置
                MarkdownDocumentReader markdownDocumentReader = new MarkdownDocumentReader(resource, config);
                
                // 10. 将加载结果添加到返回的对象列表中
                allDocuments.addAll(markdownDocumentReader.get());
                // markdownDocumentReader.get() 得到一个 List<Document> 对象, 把这个对象的元素全部加到返回值中 
            }
        } catch (IOException e) {
            // 11. 处理异常, 打印一个日志即可
            log.error("markdown 文档加载失败", e);
        }
        
        // 12. 返回加载好的 markdown 文档列表
        return allDocuments;
    }
}

上述代码中，我们通过 Mar‏kdownDocumentReaderConfig 文‏档加载配置来指定读取文档的细节，比如是否读取代码块、引用‏块等。

特别需要注意的是，我们还指定了额外的元信息配置‏，提取文档的文件名（fileName）作为文档的元信息‌，可以便于后续知识库实现更精确的检索。

---

2.3 单元测试

---

选单元测试直接创建即可，不需要额外的配置；（或者在类名处按 alt + enter创建单元测试）

---

单元测试代码：

@SpringBootTest
class LoveAppDocumentLoaderTest {

    @Resource
    private LoveAppDocumentLoader loveAppDocumentLoader;

    @Test
    void loadMarkdowns(){
        loveAppDocumentLoader.loadMarkdowns();
    }
}

---

测试过程：

---

3. 向量转换和存储

---

3.1 SimpleVect‌orStore

---

为了实现方便‏，我们先使用 Spri‏ng AI 内置的、基‏于内存读写的向量数据库‏ SimpleVect‌orStore 来保存文档。

SimpleVe‏ctorStore 实现了 Ve‏ctorStore 接口，而 V‏ectorStore 接口集成了‏ DocumentWriter，‌所以具备文档写入能力。如图：

---

简单了解下源‏码，在将文档写入到数据库‏前，会先调用 Embed‏ding 大模型将文档转‏换为向量，实际保存到数据‌库中的是向量类型的数据。

---

3.2 初始化向量数据库并保存文档

---

我们在阅读源码，简单了解将文档转为向量，并存入向量数据库 VectorStore 的流程后，我们接下来要实现这个流程，将我们自己的文档转为向量，并存储到向量数据库中；

在 rag 包下新建 LoveAppVectorStoreConfig 类：

实现初始化向量数据库并且保存文档的方法，代码如下：

/**
 * 恋爱大师向量数据库配置 (初始化基于内存的向量数据库 bean)
 */
@Configuration
public class LoveAppVectorStoreConfig {

    // 1. 引入自定义的文档加载器
    @Resource
    private LoveAppDocumentLoader loveAppDocumentLoader;


    /**
     * 2. 引入 VectorStore 类型的 bean, 便于后续实现 VectorStore 内的接口, 将文档转为向量
     * 3. 将文档转为向量, 需要调用 Embedding 模型, Spring AI 、阿里云都提供了该模型的注入, 这里使用 Spring AI 的
     */
    @Bean
    VectorStore loveAppVectorStore(EmbeddingModel dashscopeEmbeddingModel){
        // 4. 参数的 dashscopeEmbeddingModel 是 spring ai 里根据名称注入的 bean, 点击该方法左侧的绿点即可 cv
        
        // 5. 初始化一个简易的、基于内存的 VectorStore 向量存储(内置 embedding 模型)
        SimpleVectorStore simpleVectorStore = SimpleVectorStore.builder(dashscopeEmbeddingModel).build();
        
        // 6. 加载文档
        List<Document> documentList = loveAppDocumentLoader.loadMarkdowns();
        
        // 7. 将文档转为添加到向量存储中, 会自动转为向量
        simpleVectorStore.add(documentList);
        
        return simpleVectorStore;
    }
}

---

4、查询增强

---

4.1 检索增强原理

---

Spring AI 通过‏ Advisor 特性提供了开箱即用的 RAG 功‏能。

主要是 ：

• QuestionAnswerAdv‏isor 问答拦截器；
• RetrievalAug‏mentationAdvisor 检索增强拦截器‌

前者更简单易用、后者更灵活强大。

查询增强的原理其实很简单‏：

• 向量数据库存储着 AI 模型本身不知道的数据；
• 当用户问题‏发送给 AI 模型时，QuestionAnswerAd‏visor 会查询向量数据库，获取与用户问题相关的文档‏；
• 然后从向量数据库返回的响应，会被附加到用户文本中，为 ‌AI 模型提供上下文，帮助其生成回答。

---

4.2 检索增强器源码

---

查看 Qu‏estionAnsw‏erAdvisor ‏源码，可以看到让 A‏I 基于知识库，进行问‌答的 Prompt：

---

4.3 引入依赖

---

根据 官方文档，需要先引入依赖（也可以不引入这个依赖，煮波这里就不引入了）：

<dependency>
   <groupId>org.springframework.ai</groupId>
   <artifactId>spring-ai-advisors-vector-store</artifactId>
</dependency>

---

官方文档也有检索增强拦截器使用的代码示例：

---

4.4 实现问答拦截器

---

此处我们就选用更简单易用的 QuestionAnswerAdvisor 问答拦截器，在 LoveApp 中新增和 RAG 知识库进行对话的方法。

代码如下：

// 1. 引入恋爱大师向量数据库 bean(名称要拼对), 点击左边小绿点可以跳转到刚刚自定义的 bean
@Resource
private VectorStore loveAppVectorStore;

/**
 *
 * 2. 和 Rag 知识库进行对话
 */
public String doChatWithRag(String message, String chatId){
    // 3. 复用上面的代码
    ChatResponse chatResponse = chatClient.prompt()
            .user(message)
            .advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId)
                    .param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10))
            // 4. 开启日志, 便于观察效果
            .advisors(new MyLoggerAdvisor())
            // 5. 核心代码: 应用 Rag 知识库问答
            .advisors(new QuestionAnswerAdvisor(loveAppVectorStore))
            .call()
            .chatResponse();


    String content = chatResponse.getResult().getOutput().getText();
    log.info("content: {}", content);
    return content;
}

---

5、单元测试

---

编写单元测试代码：

故意提问一个文档内有回答的问题：

@Test
void doChatWithRag() {
    String chatId = UUID.randomUUID().toString();
    String message = "我已经结婚了，但是婚后关系不太亲密，怎么办？";
    String answer =  loveApp.doChatWithRag(message, chatId);
    Assertions.assertNotNull(answer);
}

---

运行程序：

---

当程序运行到这个断点时：

---

通过 Debug ‏发现，加载的文档被‏自动按照小标题拆分‏，并且补充了 me‌tadata 元信息：

---

查看请求，‏发现根据用户的问题‏检索到了 4 个文‏档切片，每个切片有‏对应的分数和元信息‌：

---

元信息：

---

查看请求，发现用户的提示词被修改了，让 AI 检索知识库：

---

---

查看响应结果，AI 的回复成功包含了知识库里的内容：

---

四、RAG 实战：Spring AI + 云知识库服务

---

在上一小节中，我们‏文档读取、文档加载、向量数据库是在本‏地通过编程的方式实现的。

其实还有另外‏一种模式，直接使用别人提供的云知识库‏服务来简化 RAG 的开发。但缺点是‌额外的费用、以及数据隐私问题。

很多 AI 大模型应用开发平台都提供了云知识库服务，这里我们还是选择 阿里云百炼，因为 Spring AI Alibaba 可以和它轻松集成，简化 RAG 开发。

---

1. 准备云知识库

---

首先我们可‏以利用云知识库完成‏文档读取、文档处理‏、文档加载、保存到‏向量数据库、知识库管‌理等操作。

---

1.1 准备数据

---

在 应用数据 模块中，上传原始文档数据到平台，由平台来帮忙解析文档中的内容和结构：

---

1.2 创建知识库

---

进入阿里云百炼平台的 知识库，创建一个知识库，选择推荐配置即可：

---

---

1.3 向云知识库中导入文档

---

导入数据到知识库中，先选择要导入的数据：

---

---

---

按确认按钮，等待解析文档：

---

1.4 设置文档的标签

---

点击标签，可以查看文档支持的标签：

---

我们对文档的标签进行修改，每篇内容设置对应的标签：

---

1.5 设置文档的解析方式

---

除了给文档设置标签，我们还可以设置文档的解析方式：

---

---

上传数据后，我们要把数据再导入到我们的知识库中：

---

1.6 开启元信息抽取

---

创建知识库时，一定要开启元信息抽取，并且尽可能地多打元信息：

---

1.7 设置文档切分规则

---

导入数据时‏，可以设置数据预处‏理规则，智能切分文‏档为文档切片（一部‏分文档）：

---

除了智能切分外，还可以自定义切分文档：

这也告诉我们，作为知识库的文档一定要结构化（设置好标题等），因为按照长度切分往往是不靠谱的；这里还是选择智能切分 ；

---

1.8 调整文档切片

---

创建好知识库后，进入知识库查看文档和切片：

---

---

---

如果你觉得智能切分得到的切片不合理，可以手动编辑切片内容：

---

1.9 云知识库命中测试

---

创建好知识库后，还可以使用命中测试功能，查看召回结果中的切片，是否符合我们提问的问题：

---

2、RAG 开发

---

2.1 文档检索器的创建和发起查询的示例

---

有了知识库后，我们就可以用程序来对接了。

开发过程很简单，可以参考 Spring AI Alibaba 的官方文档 来学习。

Spring AI A‏libaba 利用了 Spring AI 提‏供的文档检索特性（DocumentRetri‏ever），自定义了一套文档检索的方法，使得‏程序会调用阿里灵积大模型 API ，来从云知识‌库中检索文档，而不是从内存中检索。

---

使用下列代码就可以创建一个文档检索器并发起查询：

// 调用大模型的 API
var dashScopeApi = new DashScopeApi("DASHSCOPE_API_KEY");
// 创建文档检索器
DocumentRetriever retriever = new DashScopeDocumentRetriever(dashScopeApi,
        DashScopeDocumentRetrieverOptions.builder()
                .withIndexName("你的知识库名称")
                .build());
// 测试从云知识库中查询
List<Document> documentList = retriever.retrieve(new Query("谁是小雷"));

---

2.2 通过 Rag 使用文档检索器的示例

---

如何使用这个文档检索器，让 AI 从云知识库查询文档呢？

这就需要使用 Spring AI 提供的另一个 RAG Advisor —— RetrievalAugmentationAdvisor 检索增强顾问，可以绑定文档检索器、查询转换器和查询增强器，实现更灵活地构造查询。

示例代码如‏下，先仅作了解即可‏，后面章节中会带大‏家实战检索增强顾问‏的更多特性：

Advisor retrievalAugmentationAdvisor = RetrievalAugmentationAdvisor.builder()
        .queryTransformers(RewriteQueryTransformer.builder()
                .chatClientBuilder(chatClientBuilder.build().mutate())
                .build())
        .documentRetriever(VectorStoreDocumentRetriever.builder()
                .similarityThreshold(0.50)
                .vectorStore(vectorStore)
                .build())
        .build();

String answer = chatClient.prompt()
        .advisors(retrievalAugmentationAdvisor)
        .user(question)
        .call()
        .content();

---

2.3 开发基于云知识库服务的 RAG 增强顾问

---

回归到‏我们的项目中，先编‏写一个配置类，用于‏初始化基于云知识库‏的检索增强顾问 B‌ean：

/**
 * 自定义基于阿里云知识库服务的 RAG 增强顾问
*/

@Configuration
@Slf4j
class LoveAppRagCloudAdvisorConfig {

    @Value("${spring.ai.dashscope.api-key}")
    // @Value 包是 spring 框架的, 不是 lombok 的
    private String dashScopeApiKey;

    @Bean
    public Advisor loveAppRagCloudAdvisor() {
        // 阿里灵积大模型 API 
        DashScopeApi dashScopeApi = new DashScopeApi(dashScopeApiKey);
        
        // 指定阿里云中的具体云知识库的名称
        final String KNOWLEDGE_INDEX = "恋爱大师";
        
        // 使用 spring ai 的文档检索器, 传入调用的大模型和要检索的知识库
        DocumentRetriever documentRetriever = new DashScopeDocumentRetriever(dashScopeApi,
                DashScopeDocumentRetrieverOptions.builder()
                        .withIndexName(KNOWLEDGE_INDEX)
                        .build());
        
        // 使用文档检索器, 构建另一个更灵活的检索增强顾问 RAG Advisor
        return RetrievalAugmentationAdvisor.builder()
                .documentRetriever(documentRetriever)
                .build();
    }
}

注意上述代码中指定知识库要 使用名称（而不是 id）。

---

2.4 使用 RAG 增强顾问

---

然后在 LoveApp 中使用该 Advisor：

@Resource
private Advisor loveAppRagCloudAdvisor;
// 点击左侧小绿点可以跳转到上面 config 中定义的 bean, 说明 bean 的名称正确, 注入成功
// 注意 bean 的类型是 Advisor

public String doChatWithRag(String message, String chatId) {
    ChatResponse chatResponse = chatClient
            .prompt()
            .user(message)
            .advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId)
                    .param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10))
            // 开启日志，便于观察效果
            .advisors(new MyLoggerAdvisor())
        	// 5. 核心代码: 应用 Rag 知识库问答
            // .advisors(new QuestionAnswerAdvisor(loveAppVectorStore))
            // 应用增强检索服务（云知识库服务）
            .advisors(loveAppRagCloudAdvisor)
        	// 不需要再通过 QuestionAnswerAdvisor 指定向量数据库
            .call()
            .chatResponse();
    String content = chatResponse.getResult().getOutput().getText();
    log.info("content: {}", content);
    return content;
}

---

2.5 测试结果

---

测试一下‏。通过 Debu‏g 运行测试方法，查看请求；

能发‏现检索到了多个文档‏切片，每个切片有对‌应的元信息：

---

查看请求，发现‏用户提示词被改写，查询到的‏关联文档已经作为上下文拼接‏到了用户提示词中：    ‏             ‌

---

---

查看响应结果，成功包含了知识库里的内容：

至此，我们就学‏完了 RAG 知识库的基本‏开发，在下一章中，会带大家‏实战更多 RAG 的高级特‏性和最佳实践，满足更复杂的‌ AI 知识库开发需求。

---

3. 扩展思路

---

利用 ‏RAG 知识库，实‏现 “通过用户的问‏题推荐可能的恋爱对象”‏ 功能。

参考思路：‏新建一个恋爱对象文‏档，每行数据包含一‏位用户的基本信息（‏比如年龄、星座‌、职业）。

---

4. 重点聚焦

---

1. 理解 RAG 的工作流程和原理

2. 实战基‏于 Spring ‏AI + 本地知识‏库实现 RAG

3. 实战基于 Spring AI + 云知识库实现 RAG

---

---