当前位置：首页 > web >正文

Java大模型开发入门 (10/15)：连接外部世界(下) - 端到端构建完整的RAG问答系统

web 2025/6/17 6:42:37

前言

在过去的几篇文章中，我们已经完成了RAG系统所有的数据准备工作：

我们加载了私有文档并将其分割成了文本片段。
我们使用OpenAI的嵌入模型将这些片段向量化。
我们把这些向量存储在了内存向量数据库中。
我们实现了语义搜索，能够根据用户问题找出最相关的文档片段。

我们已经成功地“开卷”并“找到了答案所在的页面”。但是，我们的search方法目前返回的，还只是原始的、未经加工的文本片段列表。这并不是一个用户友好的最终答案。

今天，我们的任务就是完成这最后一步：将检索到的这些“参考资料”与用户的原始问题一起，交给一个强大的语言模型（我们将使用最新的gpt-4o-mini），让它基于这些上下文，用自然、流畅的语言“总结”出最终答案。

第一部分：RAG的最后一公里 - 增强与生成

让我们回顾一下RAG的完整流程，并聚焦于最后两个步骤：

检索 (Retrieve)：根据用户问题，从向量数据库中找出最相关的文档片段。（我们已在上一篇实现）

增强 (Augment)：这是关键的一步。我们需要将检索到的片段（上下文）和用户的原始问题，组合成一个新的、信息更丰富的提示词。这个提示词的结构通常如下：

请根据以下提供的上下文信息来回答问题。
如果根据上下文无法回答，请说“根据我所掌握的资料，我无法回答这个问题”。[上下文信息]
---
片段1：[检索到的第一个文本片段内容]
---
片段2：[检索到的第二个文本片段内容]
---
...[问题]
[用户的原始问题]

生成 (Generate)：将这个“增强版”的提示词发送给大语言模型，获取最终的、经过整合的答案。

手动完成这个“增强”步骤需要编写不少逻辑。幸运的是，LangChain4j为我们提供了极其优雅的高级抽象来自动化这个过程。

第二部分：LangChain4j的RAG核心组件

ContentRetriever:
- 职责：内容检索器。它的工作就是接收一个查询，然后从某个地方（比如我们的向量数据库）返回相关的内容。
- 具体实现：EmbeddingStoreContentRetriever。这是一个连接了EmbeddingStore（数据在哪）和EmbeddingModel（如何搜索）的检索器。
RetrievalAugmentor:
- 职责：检索增强器。这是整个RAG流程的“大脑”。它是一个中间件，位于我们的AI服务和最终的语言模型之间。
- 工作流程：当你向一个配置了RetrievalAugmentor的AI服务提问时，它会：
  1. 使用内部的ContentRetriever去检索相关内容。
  2. 自动将检索到的内容按照预设的模板，与你的问题组合起来，形成我们上面看到的“增强版”提示词。
  3. 将这个新提示词传递给语言模型。

第三部分：实战 - 构建端到端的RAG服务

更新application.properties以使用gpt-4o-mini
gpt-4o-mini 是OpenAI最新推出的高性价比、高性能模型，非常适合RAG场景。

# application.properties
# ... 其他配置保持不变 ...# 将聊天模型更新为 gpt-4o-mini
langchain4j.open-ai.chat-model.model-name=gpt-4o-mini

在LangChain4jConfig中组装RAG组件
我们将在这里创建ContentRetriever、RetrievalAugmentor以及最终的RAG AI服务的Bean。

 package com.example.aidemoapp.config;import com.example.aidemoapp.service.KnowledgeBaseAssistant;import dev.langchain4j.data.segment.TextSegment;import dev.langchain4j.model.chat.ChatLanguageModel;import dev.langchain4j.model.embedding.EmbeddingModel;import dev.langchain4j.rag.DefaultRetrievalAugmentor;import dev.langchain4j.rag.RetrievalAugmentor;import dev.langchain4j.rag.content.retriever.ContentRetriever;import dev.langchain4j.rag.content.retriever.EmbeddingStoreContentRetriever;import dev.langchain4j.service.AiServices;import dev.langchain4j.store.embedding.EmbeddingStore;import org.springframework.context.annotation.Bean;import org.springframework.context.annotation.Configuration;@Configurationpublic class LangChain4jConfig {// ... 保留 chatLanguageModel, embeddingModel, embeddingStore 的Bean定义 ...// 步骤1: 创建ContentRetriever Bean@Beanpublic ContentRetriever contentRetriever(EmbeddingStore<TextSegment> embeddingStore, EmbeddingModel embeddingModel) {// 这个检索器知道如何从向量存储中根据语义相似度检索内容return EmbeddingStoreContentRetriever.builder().embeddingStore(embeddingStore).embeddingModel(embeddingModel).maxResults(3) // 每次检索最多返回3个最相关的片段.build();}// 步骤2: 创建RetrievalAugmentor Bean@Beanpublic RetrievalAugmentor retrievalAugmentor(ContentRetriever contentRetriever) {// 这是默认的检索增强器，它会使用提供的内容检索器return DefaultRetrievalAugmentor.builder().contentRetriever(contentRetriever).build();}// 步骤3: 创建最终的、具备RAG能力的AI服务Bean@Beanpublic KnowledgeBaseAssistant knowledgeBaseAssistant(ChatModel chatLanguageModel, RetrievalAugmentor retrievalAugmentor) {return AiServices.builder(KnowledgeBaseAssistant.class).chatModel(chatLanguageModel).retrievalAugmentor(retrievalAugmentor).build();}	}

定义KnowledgeBaseAssistant接口
在service包下创建一个新的接口，代表我们的知识库问答服务。

package com.example.aidemoapp.service;public interface KnowledgeBaseAssistant {String chat(String userMessage);
}

创建新的Controller来调用RAG服务
在controller包下创建KnowledgeBaseController.java。

package com.example.aidemoapp.controller;import com.example.aidemoapp.service.KnowledgeBaseAssistant;
import lombok.RequiredArgsConstructor;
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;@RestController
@RequestMapping("/api/kb")
@RequiredArgsConstructor
public class KnowledgeBaseController {private final KnowledgeBaseAssistant knowledgeBaseAssistant;@GetMapping("/chat")public String chat(@RequestParam("query") String query) {return knowledgeBaseAssistant.chat(query);}
}

第四步：运行并见证奇迹

确保你的OPENAI_API_KEY环境变量已设置。
启动Spring Boot应用。DocumentService 中的@PostConstruct方法会自动将文档加载并嵌入到内存向量库。
现在，向新的API端点发送请求：
http://localhost:8080/api/kb/chat?query=What is the X-Wing AI Assistant?
或者
http://localhost:8080/api/kb/chat?query=What are the setup requirements?

发生了什么？
当你发送请求时，KnowledgeBaseAssistant的代理实例被调用。它内部的RetrievalAugmentor启动，使用ContentRetriever从向量库中找到了关于“X-Wing”或“setup requirements”的文本片段。然后，它构建了一个包含这些上下文的、增强版的提示词，并将其发送给gpt-4o-mini。最后，gpt-4o-mini基于这些精确的资料，生成了一个流畅、准确的回答，并返回给你。

如果你的文档中没有相关信息，它会告诉你它不知道，而不是胡乱猜测！

总结

恭喜你！我们已经成功地构建了一个完整的、端到端的RAG（检索增强生成）系统。这个系统能够：

摄入私有文档。
进行语义理解和检索。
基于检索到的上下文生成准确的回答。

这是目前企业应用大模型最主流、最核心的技术之一。掌握了RAG，你就掌握了将通用大模型转变为领域专家的钥匙。

我们的AI应用现在既有“记忆”，又有“知识”。但它还只是一个被动的问答工具。如何让它更主动，能够像一个真正的助理一样，根据我们的指令去调用外部工具（比如查询天气、计算器、订票API）呢？

源码获取

本文中所有实战代码均已同步更新至Gitee仓库。建议您git pull拉取最新代码，对照本文进行学习。

Gitee仓库地址: https://gitee.com/chaocloud/springboot-langchain4j-demo.git

下一篇预告：
《Java大模型开发入门 (11/15)：让AI自主行动 - 初探LangChain4j中的智能体（Agents）》—— 我们将进入一个更激动人心的新领域：AI智能体（Agents）。我们将学习如何赋予AI使用工具的能力，让它从一个“问答机器人”进化成一个能执行任务的“智能助理”。

查看全文

http://www.xdnf.cn/news/14274.html