RAG概念

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与文本生成的技术，旨在提升大语言模型（LLM）生成内容的准确性和时效性。其核心思想是通过外部知识库动态补充生成所需的信息，从而弥补传统LLM仅依赖训练数据、可能产生“幻觉”或过时回答的缺陷。

简单来说，RA؜G 就像给 AI 配了一个‎知识库，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。

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。

Spring AI 为我们实现RAG提供了全流程的支持，接下来就用 Spring AI 实现一个基于本地知识库的 AI 问答。

01 准备环境

开发工具：IDEA

构建工具：Gradle

开发环境：JDK21（17+即可）

技术框架：SpringBoot3.3.0 + Spring AI Alibaba 1.0.0-M6.1

02 引入Gradle依赖

这里我只引入核心依赖，其他的SpringBoot等基础依赖就不做展示了。

implementation 'com.alibaba.cloud.ai:spring-ai-alibaba-starter:1.0.0-M6.1'implementation 'org.springframework.ai:spring-ai-markdown-document-reader:1.0.0-M6'

03 准备知识库文档

文档可以是Text、PDF或Markdown文件等，这里我们就以Markdown文件为例。

将文档放在resources的document目录里下：

04 文档读取

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。

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）

通过 DocumentLoader 文‎档加载配置指定读取文档的细节，比如是否读取代码块、引用块等。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。

@Component@Slf4jpublic class DocumentLoader {     private final ResourcePatternResolver resourcePatternResolver;     public DocumentLoader(ResourcePatternResolver resourcePatternResolver) {        this.resourcePatternResolver = resourcePatternResolver;    }     /**    * 加载多篇Markdown文档    * @param    * @return java.util.List<org.springframework.ai.document.Document>    */    public List<Document> loadMarkDownList() {        List<Document> documentList = new ArrayList<>();        // 加载Markdown文档列表        try {            Resource[] markDownList = resourcePatternResolver.getResources("classpath*:document/*.md");            for (Resource markDown : markDownList) {                String filename = markDown.getFilename();                // 加载markdown文档构造器                MarkdownDocumentReaderConfig documentReaderConfig = MarkdownDocumentReaderConfig.builder()                        // 有分隔符就创建新文档                        .withHorizontalRuleCreateDocument(true)                        // 是否包含代码块                        .withIncludeCodeBlock(true)                        // 是否包含引用格式                        .withIncludeBlockquote(true)                        // 添加额外信息                        .withAdditionalMetadata("filename", filename)                        .build();                MarkdownDocumentReader markdownDocumentReader = new MarkdownDocumentReader(markDown, documentReaderConfig);                documentList.addAll(markdownDocumentReader.read());            }        } catch (IOException e) {            BizException.of("加载Markdown文档列表失败:", e);        }        return documentList;    }}

05 向量转换和存储

为了实现方便؜，我们使用 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。

实现初始化向量数据库并且保存文档的方法。代码如下：

@Configurationpublic class VectorStoreConfig {     @Resource    private DocumentLoader documentLoader;     @Bean    VectorStore vectorStore(EmbeddingModel dashscopeEmbeddingModel) {        SimpleVectorStore simpleVectorStore = SimpleVectorStore.builder(dashscopeEmbeddingModel)                .build();        // 加载文档        List<Document> documentList = documentLoader.loadMarkDownList();        simpleVectorStore.add(documentList);        return simpleVectorStore;    }}

06 查询增强

Spring AI 通过؜ Advisor 特性提供了开箱即用的 RAG 功‎能。主要是 QuestionAnswerAdvisor 问答拦截器和RetrievalAug‍mentationAdvisor 检索增强拦截器⁠。

查询增强的原理：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。

@Slf4j@Componentpublic class CodeAssistantApp {     private final ChatClient chatClient;     /**    * 系统提示词    */    private static final String SYSTEM_PROMPT = "扮演资深的软件开发专家。开场向用户表明身份，告知用户可以提出难以解决的编程问题。\" +\n" +            "            \"引导用户详述问题需求，以便给出专属解决方案。";     /**    * 初始化ChatClient    * @param chatModel    */    public CodeAssistantApp(ChatModel chatModel) {        ChatMemory chatMemory = new InMemoryChatMemory();        chatClient = ChatClient.builder(chatModel)                .defaultSystem(SYSTEM_PROMPT)                // 拦截器                .defaultAdvisors(                        new MessageChatMemoryAdvisor(chatMemory),                        // 自定义拦截器，按需开启                        new CustomLoggerAdvisor()                        // 自定义重读拦截器，增强推理能力，增加成本，按需开启                        //new ReReadingAdvisor()                )                .build();    }     /**    * 基础对话（支持多轮对话记忆）    * @param message    * @param chatId    * @return java.lang.String    */    public String doChat(String message, String chatId) {        ChatResponse response = chatClient                .prompt()                .user(message)                // 将当前对话的 ID（chatId）传入，AI 客户端会根据这个 ID 去查找该对话的历史记录                .advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId)                        // 表示最多获取最近的 10 条历史消息作为上下文，供 AI 在生成回复时参考                        .param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10))                .call()                .chatResponse();        String content = "";        if (Objects.nonNull(response)) {            content = response.getResult().getOutput().getText();        }        log.info("content: {}", content);        return content;    }}

07 与RAG知识库对话方法

/**    * RAG 知识库 对话    * @param message    * @param chatId    * @return java.lang.String    */    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                .advisors(new CustomLoggerAdvisor())                // 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;    }

08 单元测试

故意提问一个文档内有回答的问题。

文档部分内容：

@Test    void doChatWithRag() {        String chatId = UUID.randomUUID().toString();        String message = "进程和线程的区别";        String answer =  codeAssistantApp.doChatWithRag(message, chatId);        Assertions.assertNotNull(answer);    }

输出结果：

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发