历史文章

Spring AI：对接DeepSeek实战
Spring AI：对接官方 DeepSeek-R1 模型 —— 实现推理效果
Spring AI：ChatClient实现对话效果
Spring AI：使用 Advisor 组件 - 打印请求大模型出入参日志
Spring AI：ChatMemory 实现聊天记忆功能
Spring AI：本地安装 Ollama 并运行 Qwen3 模型
Spring AI：提示词工程
Spring AI：提示词工程 - Prompt 角色分类（系统角色与用户角色）
Spring AI：基于 “助手角色” 消息实现聊天记忆功能
Spring AI：结构化输出 - 大模型响应内容
Spring AI：Docker 安装 Cassandra 5.x（限制内存占用）&& CQL
Spring AI：整合 Cassandra - 实现聊天消息持久化
Spring AI：多模态 AI 大模型
Spring AI：文生图：调用通义万相 AI 大模型
Spring AI：文生音频 - cosyvoice-V2
Spring AI：文生视频 - wanx2.1-i2v-plus
Spring AI：上手体验工具调用（Tool Calling）
Spring AI：整合 MCP Client - 调用高德地图 MCP 服务
Spring AI：搭建自定义 MCP Server：获取 QQ 信息
Spring AI：对接自定义 MCP Server
Spring AI：RAG 增强检索介绍
Spring AI：Docker 安装向量数据库 - Redis Stack
Spring AI：文档向量化存储与检索
Spring AI：提取 txt、Json、Markdown、Html、Pdf 文件数据，转换为 Document 文档
Spring AI：Apache Tika 读取 Word、PPT 文档

目前，我们已经学会了读取各种格式的文件，转换为 Document 文档集合，以及通过向量模型，将文档进行向量化，最终存储到 Redis 向量数据库中。

本文中，我们尝试通过一个案例 —— 与 PDF 进行对话，看看在 Spring AI 项目中，要如何将整个 RAG 流程串起来。

将 PDF 向量化存储到 Redis 中

编辑 InitEmbeddingIndexRunner 启动任务类，将之前写死的 3 条 Document 文档，修改为从 PDF 文件中读取

@Component
public class InitEmbeddingIndexRunner implements ApplicationRunner {

    @Resource
    private VectorStore vectorStore;

    @Override
    public void run(ApplicationArguments args) {
        // 新建 PagePdfDocumentReader 阅读器
        PagePdfDocumentReader pdfReader = new PagePdfDocumentReader("classpath:/document/xxx.pdf", // 类路径PDF文件
                PdfDocumentReaderConfig.builder()
                        .withPageTopMargin(0) // 设置页面顶边距为0
                        .withPageExtractedTextFormatter(ExtractedTextFormatter.builder()
                                .withNumberOfTopTextLinesToDelete(0) // 设置删除顶部文本行数为0
                                .build())
                        .withPagesPerDocument(1) // 设置每个文档包含1页
                        .build());

        // 读取并转换为 Document 文档集合
        List<Document> documents = pdfReader.get();

        // 通过向量模型，将文档向量化存储到 Redis 中
        vectorStore.add(documents);
    }
}

清空 Redis 中的向量数据

为了方便等会测试，执行如下命令，先将 Redis 中向量都删除掉：

 FLUSHDB

删除完毕后，重启后端项目，再次查看 Redis 中的数据，该 PDF 向量数据就存储成功了

防止重复添加相同数据

之前小节中，我们发现一旦重启后端项目，就会再次执行文档向量化存储的逻辑，这会导致重复添加相同的文档。为了避免此问题，编辑 InitEmbeddingIndexRunner 启动任务，在进行向量化存储之前，对 Redis 进行查询，若发现有相同的文档，则跳过，否则才写入到 Redis 中，代码如下：

@Component
public class InitEmbeddingIndexRunner implements ApplicationRunner {

    @Resource
    private VectorStore vectorStore;

    @Override
    public void run(ApplicationArguments args) {
	    // 省略...

        // 读取并转换为 Document 文档集合
        List<Document> documents = pdfReader.get();

        // 防止重复添加到 Redis 中
        for (Document document : documents) {
            // 从向量数据中，查询当前文档
            List<Document> results = vectorStore.similaritySearch(SearchRequest.builder()
                    .query(document.getText())
                    .topK(1) // 查询一条最高得分的
                    .build());

            // 如果结果不为空，并且得分大于 0.99，则表示文档较高几率重复，直接跳过
            if (!results.isEmpty() && results.get(0).getScore() > 0.99)
                continue;

            // 通过向量模型，将文档向量化存储到 Redis 中
            vectorStore.add(List.of(document));
        }
    }
}

添加上述逻辑后，小伙伴们可以再次重启项目，测试看看是否还会添加重复文档！

整合 DeepSeek

接着，再来为项目整合一下 DeepSeek 大模型。编辑 pom.xml, 添加如下依赖：

<!-- DeepSeek 模型 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-model-deepseek</artifactId>
</dependency>

记得刷新一下 Maven，然后编辑 applicaiton.yml, 添加 AI 大模型相关配置项，如下：

spring:
  // 省略...
  ai:
    // 省略...
    deepseek:
      base-url: https://api.deepseek.com # DeepSeek 的请求 URL, 可不填，默认值为 api.deepseek.com
      api-key: xxx # 填写 DeepSeek Api Key，改成你自己的
      chat:
        options:
          model: deepseek-reasoner # 使用哪个模型
          temperature: 0.0 # 温度值

解释一下核心部分：

• deepseek-reasoner 表示使用的是 R1 推理大模型；
• temperature 温度值设置为了 0.0。大多数聊天模型的默认温度通常过高，在 RAG 场景下，较低的温度值可降低生成内容的随机性，减少幻觉率（AI 大模型胡编乱造），确保输出更贴近检索到的参考信息，适合需要高准确性的任务。

接着，创建一个 /config 包，并新建 ChatClientConfig 客户端配置类：

@Configuration
public class ChatClientConfig {

    /**
     * 初始化 ChatClient 客户端
     * @param chatModel
     * @return
     */
    @Bean
    public ChatClient chatClient(DeepSeekChatModel chatModel) {
        return ChatClient.builder(chatModel)
                .build();
    }
}

RAG 增强检索

最后，就剩 RAG 增强检索部分了。编辑 pom.xml , 添加向量 Advisor 依赖，它可以在调用 AI 大模型之前，查询向量数据库，并将结果组合成增强型提示词：

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

记得刷新一下 Maven, 将包下载到本地仓库中。

然后，在 /controller 包下，新建一个 RAGController 控制器：’

声明一个 /rag/generateStream 流式对话接口，代码如下，只需在调用 AI 大模型时，配置上 Spring AI 提供的 QuestionAnswerAdvisor 即可完成 RAG 功能，是不是很简单：

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

    @Resource
    private VectorStore vectorStore;
    @Resource
    private ChatClient chatClient;

    /**
     * 流式对话
     * @param message
     * @return
     */
    @GetMapping(value = "/generateStream", produces = "text/html;charset=utf-8")
    public Flux<String> generateStream(@RequestParam(value = "message") String message) {

        // 流式输出
        return chatClient.prompt()
                .system("请你扮演一名企业客服。从企业内部知识库中查阅相关资料，并回答用户，若内部资料没有相关内容，则回答 “未找到相关资料”")
                .user(message) // 提示词
                .advisors(new QuestionAnswerAdvisor(vectorStore)) // 检索向量库，组合增强提示词，调用 AI 大模型
                .stream()
                .content();

    }

}

重启项目，调用接口测试下自己的pdf内容

关于 QuestionAnswerAdvisor

有兴趣的小伙伴，也可以进入到 QuestionAnswerAdvisor 类的源码中，里面有个 before() 方法，就是在调用 AI 大模型之前织入代码，如下图所示：

无非是拿着我们提问的问题，去检索向量数据库，获取匹配度较高的文档；

再把查询结果，组合成 “增强型” 的提示词模板。你可以在 promptTemplate.render() 这行打个断点，看看实际组合出来的提示词模板是什么样的