RAG 检索增强

RAG (Retrieval-Augmented Generation) 是一种结合信息检索和文本生成的技术，可以显著提高 AI 模型回答问题的准确性和相关性。

什么是 RAG？

RAG 技术通过以下步骤工作：

1. 检索：从外部知识库中检索与用户问题相关的信息
2. 生成：基于检索到的信息生成准确的回答

Spring AI 中的 RAG 实现

1. 向量存储配置

@Configuration
public class VectorStoreConfiguration {
    
    @Bean
    public VectorStore vectorStore() {
        // 使用 PostgreSQL 向量存储
        return new PgVectorStore(dataSource(), embeddingClient());
    }
    
    @Bean
    public EmbeddingClient embeddingClient() {
        return new OpenAiEmbeddingClient(openAiApi());
    }
    
    @Bean
    public OpenAiApi openAiApi() {
        return new OpenAiApi(apiKey);
    }
}

2. 文档加载和嵌入

@Service
public class DocumentService {
    
    private final VectorStore vectorStore;
    private final EmbeddingClient embeddingClient;
    
    public DocumentService(VectorStore vectorStore, EmbeddingClient embeddingClient) {
        this.vectorStore = vectorStore;
        this.embeddingClient = embeddingClient;
    }
    
    public void loadDocuments(List<String> documents) {
        List<Document> embeddedDocuments = documents.stream()
            .map(content -> {
                // 生成嵌入向量
                Embedding embedding = embeddingClient.embed(content);
                return new Document(content, embedding);
            })
            .collect(Collectors.toList());
        
        // 存储到向量数据库
        vectorStore.add(embeddedDocuments);
    }
}

3. RAG 查询实现

@Service
public class RagService {
    
    private final VectorStore vectorStore;
    private final ChatClient chatClient;
    
    public RagService(VectorStore vectorStore, ChatClient chatClient) {
        this.vectorStore = vectorStore;
        this.chatClient = chatClient;
    }
    
    public String answerQuestion(String question) {
        // 1. 将问题转换为向量
        Embedding questionEmbedding = embeddingClient.embed(question);
        
        // 2. 检索相关文档
        List<Document> relevantDocuments = vectorStore.similaritySearch(questionEmbedding, 3);
        
        // 3. 构造带有上下文的提示
        String context = relevantDocuments.stream()
            .map(Document::getContent)
            .collect(Collectors.joining("\n\n"));
            
        Prompt prompt = new PromptTemplate("""
            基于以下上下文回答问题，如果上下文不包含相关信息，请说明无法基于提供的资料回答：
            
            上下文：
            {context}
            
            问题：
            {question}
            
            回答：
            """)
            .create(Map.of("context", context, "question", question));
            
        // 4. 生成回答
        return chatClient.call(prompt).getResult().getOutput().getContent();
    }
}

高级 RAG 技术

查询重写

@Service
public class QueryRewriteService {
    
    private final ChatClient chatClient;
    
    public String rewriteQuery(String originalQuery) {
        Prompt prompt = new PromptTemplate("""
            请将以下查询重写为更精确的搜索查询：
            
            原始查询：{originalQuery}
            
            重写后的查询：
            """)
            .create(Map.of("originalQuery", originalQuery));
            
        return chatClient.call(prompt).getResult().getOutput().getContent();
    }
}

答案验证

@Service
public class AnswerValidationService {
    
    private final ChatClient chatClient;
    
    public boolean validateAnswer(String question, String answer, String context) {
        Prompt prompt = new PromptTemplate("""
            请判断以下回答是否基于提供的上下文准确回答了问题：
            
            问题：{question}
            回答：{answer}
            上下文：{context}
            
            请仅回答"是"或"否"：
            """)
            .create(Map.of(
                "question", question,
                "answer", answer,
                "context", context
            ));
            
        String response = chatClient.call(prompt).getResult().getOutput().getContent();
        return response.trim().equalsIgnoreCase("是");
    }
}

实际应用示例

企业知识库问答

@RestController
@RequestMapping("/knowledge-base")
public class KnowledgeBaseController {
    
    private final RagService ragService;
    private final DocumentService documentService;
    
    public KnowledgeBaseController(RagService ragService, DocumentService documentService) {
        this.ragService = ragService;
        this.documentService = documentService;
    }
    
    @PostMapping("/upload")
    public ResponseEntity<String> uploadDocument(@RequestBody String content) {
        documentService.loadDocuments(List.of(content));
        return ResponseEntity.ok("文档上传成功");
    }
    
    @PostMapping("/ask")
    public ResponseEntity<String> askQuestion(@RequestBody String question) {
        String answer = ragService.answerQuestion(question);
        return ResponseEntity.ok(answer);
    }
}

最佳实践

1. 文档预处理

• 清洗和标准化文档内容
• 合理分割长文档
• 提取关键信息和元数据

2. 检索优化

• 调整相似度阈值
• 使用混合检索策略
• 实现查询扩展

3. 生成优化

• 设计有效的提示模板
• 处理无相关信息的情况
• 提供答案置信度评估

通过合理使用 RAG 技术，可以显著提升 AI 应用的准确性和实用性，特别适用于需要基于特定知识库回答问题的场景。