我要投稿

Spring Ai RAG 技术让大模型回答更精准

发布日期：2025-07-10 09:27:13 浏览次数： 1556

作者：有范编程笔记

微信搜一搜，关注“有范编程笔记”

你是否遇到过：Chat AI 回答行业问题时总说车轱辘话？内部知识库更新后，AI仍然给出过期答案？

Spring AI的RAG技术正是为解决这些问题而生，结合信息检索和文本生成的技术，通过先查资料后回答的机制，让AI摆脱传统模型的"知识遗忘”困境。

特性	传统Ai	Spring Ai RAG
时效性	训练时固定	实时更新知识库
准确性	容易泛化	基于企业文档生成
复杂度	需完整微调	低代码接入

快速开始

1.接入Sping Ai 、向量vector redis、检索 advisors-vector-store 框架。

<dependency>
 <groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-openai</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-advisors-vector-store</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-vector-store-redis</artifactId>
</dependency>

2.配置Ai模型和 api-key 、向量模型。

spring.ai.openai.base-url=https://dashscope.aliyuncs.com/compatible-mode/
spring.ai.openai.chat.options.model=qwen-max
spring.ai.openai.api-key=${OPEN_API_KEY}
spring.ai.openai.embedding.options.model=text-embedding-v4

3.配置 redis 连接、key前缀。

spring.data.redis.host=localhost
spring.data.redis.port=6379
spring.ai.vectorstore.redis.initialize-schema=true
spring.ai.vectorstore.redis.index-name=custom-index
spring.ai.vectorstore.redis.prefix=custom-prefix

4.注入向量vector redis、增强检索QuestionAnswerAdvisor。

 public VectoreRedisService(ChatClient.Builder builder,VectorStore vectorStore ) {
  this.vectorStore = vectorStore;
  this.chatClient = builder.defaultAdvisors(new QuestionAnswerAdvisor(vectorStore))  .build();
}

5.初始化知识库。

public void storeVector() {
  List<Document> documents = List.of(
  new Document("有范编程笔记公众号是记录和分享技术笔记，及个人的所见所闻。"),
  new Document("有范是一个技术博主" ));
  this.vectorStore.add(documents);
}

6.实现检索增强生成。

public String generateAsString(String message) {
  return  this.chatClient.prompt()
   .user(promptUserSpec -> promptUserSpec.text(message))
   .call() .content();
 }