在 AI 应用开发中，大模型常面临 “知识过期”“不懂私有数据” 的痛点，而检索增强生成（RAG）技术正是解决这一问题的核心方案。RAG 能够将大模型与私有知识库结合，让生成的回答更准确、更具针对性。本文将深入拆解 RAG 的技术原理、核心流程，重点讲解其与 Embedding 技术的协同逻辑，并结合智普 AI 实现本地知识库检索的完整实操，帮助大家掌握 Spring AI 中 RAG 模块的开发精髓。

一、什么是 RAG？核心原理与核心价值

（一）RAG 定义
Retrieval-Augmented Generation（RAG）即检索增强生成，是一种结合 “检索” 与 “生成” 的 AI 技术。它通过在大模型生成回答前，从外部知识库中检索与用户问题相关的信息，并将这些信息作为上下文传递给大模型，从而让大模型基于外部知识生成更准确、更可靠的回答。

（二）RAG 的核心价值
RAG 的核心价值是为大模型 “外接动态知识库”，在不重训 / 微调的前提下，低成本解决知识过期、私有数据不可用、幻觉与高成本四大核心痛点，让回答更准、更新、更合规、更易维护。

解决知识局限：无需重新训练大模型，即可让其掌握私有数据（如企业文档、专业知识库）或最新信息，避免 “知识过期” 问题。
提升回答准确性：基于具体的外部知识生成回答，减少大模型 “一本正经地胡说八道”（幻觉）现象。
降低开发成本：无需投入海量算力进行模型微调，通过简单的知识库配置即可扩展大模型能力。
支持灵活更新：外部知识库可独立更新，无需改动大模型或应用代码，适配快速变化的业务需求。

（三）RAG 与 Embedding 的协同逻辑：语义检索的核心支撑
RAG 技术的核心是 “精准检索”，而 Embedding 技术是实现这一目标的关键前提，二者是 “基础支撑” 与 “上层应用” 的紧密协同关系。

简单来说：Embedding 是 RAG 技术的 “语义翻译官”，它将非结构化的文本（知识库片段、用户问题）翻译成机器可理解、可计算的向量语言，没有 Embedding 提供的语义量化能力，RAG 就无法实现高效的 “检索增强”，只能依赖大模型的原生知识库。

二、RAG 的核心流程

RAG 技术的完整流程可分为三个核心阶段，每个阶段都与 Embedding 技术深度协同：

（一）索引阶段：知识库向量化存储
将本地知识库（文档、数据库等）解析为文本片段（Chunks），再通过 Embedding 模型将这些片段转换为语义向量保存到向量数据库。
（二）检索阶段：相似文本精准匹配
将用户提出的问题通过相同的 Embedding 模型将问题转换为语义向量，然后，在向量数据库中，通过相似度算法（如余弦相似度）计算问题向量与所有文本片段向量的相似度，筛选出 TopK（如 Top2、Top3）个最相似的文本片段。
（三）生成阶段：结合上下文生成回答
将检索到的相关文本片段与用户问题作为上下文传递给大模型，辅助生成准确回答。而这些片段之所以能精准匹配用户问题，本质是 Embedding 技术保证了 “问题语义” 与 “片段语义” 的一致性映射。

下图是 AI 如何处理文档并回答用户问题的完整流程图：

三、实操准备：环境配置（基于 Spring AI + 智普 AI）

（一）准备工作
需提前完成智普 AI 账号注册与 API Key 获取（参考上一篇 Embedding 文章的配置步骤Spring AI 进阶：Embedding 技术原理、相似度算法与实操），并创建 Spring Boot 项目。

1. 创建 Spring Boot 项目

项目名称：Weiz-SpringAI-RAG
核心配置：JDK 17、Spring Boot 3.5.0、Maven
依赖选择：Spring Web（后续通过 pom.xml 补充 Embedding 相关依赖）
项目结构如下：

Weiz-SpringAI-RAG/
├── src/
│   ├── main/
│   │   ├── java/
│   │   │   └── com/
│   │   │       └── example/
│   │   │           └── weizspringai/
│   │   │               ├── WeizSpringAiRAGApplication.java
│   │   │               ├── controller/
│   │   │               └── service/
│   │   └── resources/
│   │       ├── application.properties
│   └── test/
└── pom.xml

2. 配置 pom.xml 依赖

<?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 https://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <parent>
        <groupId>com.example</groupId>
        <artifactId>Weiz-SpringAI</artifactId>
        <version>0.0.1-SNAPSHOT</version>
    </parent>
    <artifactId>Weiz-SpringAI-RAG</artifactId>
    <name>Weiz-SpringAI-RAG</name>
    <description>Weiz-SpringAI-RAG</description>

    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>

        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-starter-model-zhipuai</artifactId>
        </dependency>

        <!-- spring-ai-client-chat 中包括 TokenTextSplitter、TextReader、Document 等工具 -->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-client-chat</artifactId>
            <version>${spring-ai.version}</version>
        </dependency>

        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-test</artifactId>
            <scope>test</scope>
        </dependency>

    </dependencies>
</project>

3. application.properties 配置

# 应用名称
spring.application.name=Weiz-SpringAI-RAG
# 服务端口
server.port=8080
# 智普 AI 基础配置
spring.ai.zhipuai.api-key=你的智普 AI API Key
spring.ai.zhipuai.base-url=https://open.bigmodel.cn/api/paas
# Embedding 模型配置（用于文本向量化）
spring.ai.zhipuai.embedding.options.model=embedding-2
# Chat 模型配置（用于生成回答）
spring.ai.zhipuai.chat.options.model=GLM-4-Flash
注意，需将 “你的智普 AI API Key” 替换为实际获取的密钥。

（二）准备本地知识库文件
在 src/main/resources 目录下创建 户外旅行安全指南.txt，作为本地知识库，内容如下：

户外旅行安全指南
----
1．露营安全
- 选址：避开低洼积水区、陡坡和可能落石的区域，优先选择平坦硬质地面。
- 防火：远离干草、枯枝等易燃物，使用炉具时保持通风，睡前彻底熄灭明火。
- 防虫：携带驱蚊液、防虫网，避免在草丛密集处搭建帐篷，睡前检查帐篷内是否有虫类。
- 应急：随身携带手电筒、急救包和足够的饮用水，提前下载离线地图。
----
2．徒步安全
- 路线规划：提前查询路线难度、天气情况，选择与自身体能匹配的路线，告知亲友行程。
- 装备要求：必须穿防滑登山鞋、戴防晒帽，携带充足食物和水，配备登山杖和护膝。
- 环境应对：遇到暴雨立即寻找高地躲避，避免涉险过河；遭遇野生动物保持冷静，切勿投喂或驱赶。
- 体能管理：保持匀速前进，每小时休息 10-15 分钟，避免过度疲劳。
----
3．城市漫游安全
- 交通：骑行遵守交通规则，不逆行、不闯红灯，佩戴安全头盔；乘坐公共交通保管好个人财物。
- 选址：避开偏僻小巷和治安较差区域，优先选择人流密集的商业街区和景点。
- 应急：保存当地派出所、医院的联系方式，携带少量现金备用，手机保持电量充足。

四、实操案例：RAG 本地知识库检索完整实现

本案例将实现 RAG 的全流程：加载本地知识库并向量化、接收用户问题并检索相似文本、结合上下文生成回答。

1. 核心工具类：复用相似度计算逻辑
可以复用上一篇文章中的SimilarityCalculator.java类Spring AI 进阶：Embedding 技术原理、相似度算法与实操，该类封装了余弦相似度、欧氏距离等多种主流算法，支持 RAG 检索阶段的相似度计算。

2. 编写 RagService
创建 com.example.weizspringai.service.RagService 类，整合索引、检索、生成三个RAG 核心逻辑：

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.embedding.EmbeddingModel;
import org.springframework.core.io.ClassPathResource;
import org.springframework.core.io.Resource;
import org.springframework.stereotype.Service;
import java.io.IOException;
import java.nio.charset.StandardCharsets;
import java.util.ArrayList;
import java.util.List;
@Service
public class RagService {
    // Embedding 模型（文本向量化）
    private final EmbeddingModel embeddingModel;
    // Chat 模型（生成回答）
    private final ChatClient chatClient;
    // 本地知识库文本片段
    private final List<String> docChunks = new ArrayList<>();
    // 文本片段对应的向量
    private final List<float[]> docVectors = new ArrayList<>();
    // 相似度算法（默认余弦相似度，可根据需求修改）
    private final EmbeddingService.SimilarityAlgorithm similarityAlgorithm = EmbeddingService.SimilarityAlgorithm.COSINE;
    // 构造方法注入依赖，初始化知识库（索引阶段）
    public RagService(EmbeddingModel embeddingModel, ChatClient.Builder chatClientBuilder) throws IOException {
        this.embeddingModel = embeddingModel;
        this.chatClient = chatClientBuilder.build();
        // 加载本地知识库文件并切分片段
        loadAndSplitDocument();
    }
    /**
     * 加载本地知识库文件，切分为文本片段（索引阶段第一步）
     */
    private void loadAndSplitDocument() throws IOException {
        // 读取 resources 目录下的知识库文件
        Resource resource = new ClassPathResource("户外旅行安全指南.txt");
        String content = new String(resource.getInputStream().readAllBytes(), StandardCharsets.UTF_8);
        // 按 "----" 切分文本（根据文件格式自定义切分规则）
        String[] chunks = content.split("----");
        for (String chunk : chunks) {
            String cleanChunk = chunk.strip();
            if (!cleanChunk.isBlank()) {
                docChunks.add(cleanChunk);
                // 文本片段向量化并缓存（索引阶段第二步、第三步）
                docVectors.add(embeddingModel.embed(cleanChunk));
            }
        }
    }
    /**
     * 处理用户提问，返回 RAG 增强后的回答（检索+生成阶段）
     * @param question 用户问题
     * @return 大模型生成的回答
     */
    public String answer(String question) {
        // 1. 用户问题向量化（检索阶段第一步）
        float[] questionVector = embeddingModel.embed(question);
        // 2. 检索 Top2 最相似的文本片段（检索阶段第二步、第三步）
        List<String> topRelevantChunks = retrieveTopRelevantChunks(questionVector, 2);
        // 3. 构建上下文（生成阶段第一步）
        String context = String.join("\n---\n", topRelevantChunks);
        // 4. 构建提示词（生成阶段第二步）
        String prompt = String.format(
                "以下是户外旅行安全指南的知识：\n%s\n请基于上述知识，简洁明了地回答问题：%s",
                context, question
        );
        // 5. 调用 Chat 模型生成回答（生成阶段第三步）
        return chatClient.prompt()
                .system("你是户外旅行安全助手，仅基于提供的上下文回答问题，不添加额外信息。")
                .user(prompt)
                .call()
                .content();
    }
    /**
     * 检索 TopK 最相似的文本片段（检索阶段核心逻辑）
     * @param questionVector 用户问题向量
     * @param topK 返回前 K 个相似片段
     * @return TopK 相似文本片段
     */
    private List<String> retrieveTopRelevantChunks(float[] questionVector, int topK) {
        List<ChunkSimilarity> similarityList = new ArrayList<>();
        // 计算问题向量与所有文本片段向量的相似度（使用指定算法）
        for (int i = 0; i < docVectors.size(); i++) {
            double sim = calculateSimilarity(questionVector, docVectors.get(i));
            similarityList.add(new ChunkSimilarity(i, sim));
        }
        // 按相似度降序排序，取前 topK 个
        similarityList.sort((a, b) -> Double.compare(b.similarity, a.similarity));
        return similarityList.stream()
                .limit(topK)
                .map(item -> docChunks.get(item.index))
                .toList();
    }
    /**
     * 相似度计算（调用工具类，支持算法切换）
     */
    private double calculateSimilarity(float[] a, float[] b) {
        return switch (similarityAlgorithm) {
            case COSINE -> SimilarityCalculator.cosineSimilarity(a, b);
            case EUCLIDEAN -> SimilarityCalculator.euclideanSimilarity(a, b);
            case PEARSON -> SimilarityCalculator.pearsonCorrelation(a, b);
            case MANHATTAN -> SimilarityCalculator.manhattanSimilarity(a, b);
            default -> SimilarityCalculator.cosineSimilarity(a, b); // 默认 fallback 到余弦相似度
        };
    }
    /**
     * 辅助类：存储文本片段索引与相似度
     */
    private static class ChunkSimilarity {
        int index;
        double similarity;
        ChunkSimilarity(int index, double similarity) {
            this.index = index;
            this.similarity = similarity;
        }
    }
}

3. 编写 RagController
创建 com.example.weizspringai.controller.RagController 类，提供 RAG 检索接口：

import com.example.springaiembedding.service.RagService;
import org.springframework.beans.factory.annotation.Autowired;
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;
import java.util.Map;
@RestController
@RequestMapping("/rag")
public class RagController {
    @Autowired
    private RagService ragService;
    /**
     * RAG 本地知识库检索接口
     * @param question 用户问题
     * @return 包含问题与回答的响应
     */
    @GetMapping("/ask")
    public Map<String, String> ask(@RequestParam("question") String question) {
        String answer = ragService.answer(question);
        return Map.of(
                "question", question,
                "answer", answer
        );
    }
}

4. 测试 RAG 本地知识库检索
启动 Weiz-SpringAI-Rag 项目，浏览器访问：http://localhost:8080/rag/ask?question=露营选址有什么安全要求？。
响应结果如下：

{
  "question": "露营选址有什么安全要求？",
  "answer": "露营选址需避开低洼积水区、陡坡和可能落石的区域，优先选择平坦硬质地面，同时要远离干草、枯枝等易燃物，避免在草丛密集处搭建帐篷。"
}

再测试其他问题，如http://localhost:8080/rag/ask?question=徒步时遇到暴雨该怎么办？，响应：

{
  "question": "徒步时遇到暴雨该怎么办？",
  "answer": "徒步遇到暴雨时，应立即寻找高地躲避，避免涉险过河，同时注意远离陡坡和可能落石的区域，确保自身安全。"
}

测试结果表明，大模型能够基于本地知识库文件的内容生成准确回答，验证了 RAG 技术的核心价值。

五、RAG 优化思路（为后续进阶铺垫）

当前 RAG 实现存在一些可优化点，后续文章将深入讲解：

1、文本切分策略
当前按固定符号切分，可优化为按 Token 数量切分（如每段 400-800 字符），避免语义断裂。
2、向量数据库集成
当前使用内存缓存向量，生产环境需替换为 Milvus、Redis 等向量数据库，支持海量数据存储与高效检索。
3、相似度阈值过滤
仅保留相似度高于阈值（如 0.05）的文本片段，避免引入无关噪声。
4、上下文扩展
检索到相关片段后，同时获取其前后相邻片段，提升语义连贯性。
5、引入 Spring AI 开箱即用 RAG 组件
Spring AI 提供了 QuestionAnswerAdvisor、RetrievalAugmentationAdvisor 等开箱即用的 RAG 组件，可简化开发流程，支持自动索引、检索优化、提示词工程等功能，适配生产级场景。
6、算法动态选择
根据知识库类型（如短文本、专业文档、稀疏向量）自动匹配最优相似度算法，例如专 业文档优先使用皮尔逊相关系数，稀疏向量优先使用杰卡德相似度。

总结

本文深入解析了 RAG 技术的核心原理、核心流程，重点厘清了其与 Embedding 技术的协同逻辑，并通过 Spring AI + 智普 AI 实现了 RAG 本地知识库检索的完整案例。RAG 技术通过 “检索外部知识 + 增强生成能力” 的模式，完美解决了大模型的知识局限问题，而 Embedding 技术提供的语义向量能力，是 RAG 实现精准检索的核心支撑。

核心结论如下：
RAG 的核心价值在于 “无需微调，快速扩展大模型能力”，适配私有数据、最新知识等场景。
Embedding 是 RAG 的 “语义基础”，其生成的语义向量决定了检索阶段的精准度，进而影响最终回答质量。
基础版 RAG 实现简单，但生产环境需关注文本切分、向量数据库集成、算法选择等优化点，提升系统的稳定性、高效性和准确性。