一、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。

• 检索增强生成（RAG）是一种技术，有助于克服大型语言模型的局限性，这些模型在处理长文本内容、事实准确性和上下文感知方面存在困难。

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：‌

二、完整的RAG工作流

分为两大块：

1.建立索引，准备文档阶段        2.查询阶段

一个是我们开发者准备的，一个是给用户用的

索引构建的目标是为检索做好准备。其核心流程是：将原始文档预处理并切分成文本片段，然后利用Embedding模型把文本片段转化为向量表示，最终将这些向量存储到向量数据库中。

检索与生成阶段遵循以下步骤：

1. ​​检索​​：将用户查询转换为向量，基于相似度从向量数据库中检索出相关的文档切片。

2. ​​精排（可选）​​：使用重排序模型对初步检索结果进行精细排序，筛选出最相关的片段。

3. ​​生成​​：将top-K个最相关的文档切片与用户查询共同组合成提示词，交由大语言模型生成最终答案。

三、Spring AI 中的检索增强生成 Advisor 选型

Spring AI 框架中用于实现检索增强生成（RAG, Retrieval-Augmented Generation）的 Advisor 有两个 QuestionAnswerAdvisor 和 RetrievalAugmentationAdvisor，但它们在功能、设计和使用场景上存在一些区别，下面就是我对这两个 Advisor 的分析。在使用这两个 Advisors 的时候，官方文档中写明需要引入这个依赖，但是引入报错，不引入也是可以实现的

1. 概述

• QuestionAnswerAdvisor: 这是 Spring AI 提供的一个专注于简单 RAG 场景的 Advisor，主要用于将用户查询与向量数据库（VectorStore）中检索到的文档结合，为 AI 模型提供上下文，从而生成更准确的回答。它通过默认或自定义的 PromptTemplate 将检索到的上下文与用户查询合并，适用于快速实现基本的 RAG 功能。
• RetrievalAugmentationAdvisor: 这是 Spring AI 中更通用、更模块化的 RAG 实现，基于模块化架构，提供了更高的灵活性和扩展性。它支持更复杂的 RAG 工作流，包括查询转换（query transformation）、文档后处理（document post-processing）等，适用于需要高级定制或复杂 RAG 场景的开发。

2. 主要区别以下是从功能、配置、灵活性、使用场景等几个方面对两者的对比：

特性	QuestionAnswerAdvisor	RetrievalAugmentationAdvisor
设计目标	提供简单的 RAG 实现，专注于快速集成向量数据库检索和生成回答。	提供模块化的 RAG 框架，支持更复杂的工作流和高级功能（如查询转换、文档后处理）。
核心功能	- 查询向量数据库并将结果附加到用户 prompt。 - 支持自定义 PromptTemplate 来控制上下文合并方式。 - 支持动态过滤表达式（FILTER_EXPRESSION）。	- 支持查询转换（queryTransformers）、文档检索（documentRetriever）和文档后处理（DocumentPostProcessor）。 - 更灵活的模块化配置。
配置方式	通过 QuestionAnswerAdvisor.Builder 配置，例如设置相似性阈值（similarityThreshold）、返回结果数量（topK）、过滤表达式和自定义模板。	通过 RetrievalAugmentationAdvisor.Builder 配置，支持更丰富的组件（如 queryTransformers 和 DocumentPostProcessor）。
动态性	支持运行时通过 FILTER_EXPRESSION 参数动态调整检索过滤条件。	除支持 FILTER_EXPRESSION 外，还支持动态调整查询转换和文档后处理逻辑。
自定义模板	支持通过 PromptTemplate 自定义如何将检索到的上下文与用户查询合并。	不直接提供 PromptTemplate 配置，但可以通过 queryAugmenter 或其他组件间接控制上下文增强逻辑。
空上下文处理	默认情况下会返回检索到的上下文，需显式处理空上下文的情况。	默认不允许空上下文，但可通过 allowEmptyContext(true) 配置允许空上下文。
高级功能	功能较为简单，专注于基本的 RAG 流程。	支持高级功能，如查询重写（RewriteQueryTransformer）、文档重新排序、内容压缩等。
依赖要求	无需额外的依赖，直接包含在 Spring AI 核心模块中。	需添加 spring-ai-rag 依赖以使用模块化 RAG 功能。
适用场景	适用于简单的 RAG 应用，例如直接从向量数据库检索相关文档并生成回答。	适用于需要复杂 RAG 工作流的场景，例如需要优化查询、重新排序文档或处理大规模数据。

3. 使用场景的区别

• QuestionAnswerAdvisor:

1. 适合场景：

•         简单的问答系统，例如基于知识库的 FAQ 回答。
•         需要快速将向量数据库的检索结果附加到用户查询并生成回答。
•         对 prompt 模板有一定定制需求，但不需要复杂的查询优化或文档处理。

示例场景：企业内部文档查询系统，用户提问后直接从向量数据库检索相关文档并生成回答。

• RetrievalAugmentationAdvisor:

1. 适合场景：

• 复杂的 RAG 应用，例如需要优化用户查询（query rewriting）或对检索到的文档进行重新排序、压缩。
• 大规模知识库场景，需要处理噪声数据或提高检索结果的相关性。
• 需要模块化设计以支持未来的扩展或自定义 RAG 流程。示例场景：学术研究系统，需对用户查询进行改写以提高检索精准度，并对检索到的文档进行重新排序以确保相关性。

4. 总结QuestionAnswerAdvisor 适合简单的 RAG 场景，易于使用，专注于将向量数据库检索结果附加到用户查询并生成回答。RetrievalAugmentationAdvisor 适合复杂 RAG 场景，提供模块化设计，支持查询转换、文档后处理等高级功能。

        选择建议：

• 如果你的应用需求简单，当前使用的 QuestionAnswerAdvisor 已经足够。
• 如果需要查询优化、文档后处理或更灵活的 RAG 流程，考虑切换到 RetrievalAugmentationAdvisor，但需添加相应依赖并调整代码。