接下来我们来了解一个AI领域中重要的概念：RAG

RAG 的全称是 Retrieval-Augmented Generation（检索增强生成），是一种结合了信息检索和 AI 大语言模型生成能力的混合架构，它通过为 AI 提供外部“知识库”来确保回答的准确性、实时性和专业性。​

RAG 的工作流程

1. 文档收集与切割：从 PDF、网页或数据库中收集原始资料，并将其切割成适合 AI 处理的文本块（Chunks）。
2. 向量转换与存储：利用 Embedding 模型将文本转化为计算机能理解的数学向量，并存入向量数据库（也有其他数据库存向量的）。
3. 文档检索：当用户提问时，系统会将问题也转化为向量，在数据库中搜索最相似、最相关的文本块（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）
4. 查询增强与生成：将检索到的相关内容与用户的问题组合在一起，发送给大模型，最终生成精准的回答。

RAG 中的 ETL (Extract-Transform-Load)

Extract (提取/读取) ： 由 DocumentReader（如 TextReader, PagePdfDocumentReader）负责。它将原始文件（PDF, Word, TXT）读入内存，变成一个个 Document 对象。

Transform (转换/处理) ： 这是最关键的一步。由于大模型的上下文长度有限，我们需要用 DocumentTransformer（常用的是 TokenTextSplitter）将长文章切分成小块 (Chunks)。
        (MarkdownTextSplitter (Markdown 切分器)：会识别 Markdown 的语法，尽量保证同一个标题下的内容被分在一起)

Load (加载/存储) ： 当你调用 vectorStore.add(documents) 时，它内部会自动调用 EmbeddingModel（如 OpenAI 的 text-embedding-3-small）将文本变成一串数字（向量），然后存入数据库。
        (在 Spring AI 的标准接口设计中，VectorStore.add 方法通常接收的是 List<Document>）

简化版示例

VectorStore vectorStore(EmbeddingModel dashscopeEmbeddingModel) {

        // 1. Extract: 读取原始文本
        // 加载文档
        List documents = appDocumentLoader.loadMarkdowns();

        // 2. Transform: 将长文本切分成 500 Token 左右的小块
        // 这是为了让检索更精准，也避免超过大模型的窗口限制
        TokenTextSplitter splitter = new TokenTextSplitter(
                800,       // 块的大小
                200,       // 相邻块的重叠度（保持上下文连贯）
                5,         // 最大迭代次数
                true       // 是否保留标点
        );
        List<Document> splitDocuments = splitter.apply(documents);
        
        // 3. Load: 存入向量数据库（内部会自动进行 Embedding 转换）
        SimpleVectorStore simpleVectorStore = SimpleVectorStore.builder(dashscopeEmbeddingModel)
                .build();
        // 将文档存入向量数据库
        simpleVectorStore.add(splitDocuments);
        return simpleVectorStore;
    }


@Resource
private VectorStore vectorStore;
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))


            // 应用知识库问答
            .advisors(new QuestionAnswerAdvisor(vectorStore))
            .call()
            .chatResponse();
    String content = chatResponse.getResult().getOutput().getText();
    log.info("content: {}", content);
    return content;
}

QuestionAnsweringAdvisor 的逻辑是固定的：用户提问 -> 查向量库 -> 塞进 Prompt

RetrievalAugmentationAdvisor 可以实现企业级、复杂 RAG 工作流

RetrievalAugmentationAdvisor advisor = RetrievalAugmentationAdvisor.builder()       
    .documentRetriever(retrievalStrategy) // 设置检索源 //    
    .queryTransformer(new RewriteQueryTransformer()) // 可选：添加查询转换逻辑 
    .build();