RAG落地实战

LangChain4j 系列文章

1. LangChain4j - LangChain4j快速入门实战
2. LangChain4j - 多模态开发踩坑实录
3. LangChain4j - 系统提示词稳住AI
4. LangChain4j - 注解式AI服务实战
5. LangChain4j - 让AI不再失忆
6. LangChain4j - LangChain4j 结构化输出实战

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索技术和 AI 内容生成的混合架构，可以解决⁢大模型的知识时效性限制和幻觉问题。

简单来说，RAG 就像给 AI 配了一个 “小抄本”，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。很多企业也基于 RAG 搭建了自己的智能客服，⁢可以用自己积累的领域知识回复用户。

RAG 的完整工作流程如下：

让我们来实操一下，首先我准备 4 个文档，放在 resources/docs 目录下：

• Java 编程学习路线.md
• 程序员常见面试题.md
• 程序员NEO的求职指南.md
• 程序员NEO的项目学习建议.md

这个几个文件我就不提供给大家了，我是利用 AI 自动生成的内容，大家可以根据文件名自行搜索相关资料，我这里用于演示 RAG 的工作流程。

LangChain 提供了 3 种 RAG 的实现方式，我把它称为：极简版、标准版⁢、进阶版。

极简版 RAG

极简版适合快速查看效果，首先需要引入额外的依赖，里面包含了内置的离线 Embedding 模型，开箱即用：

<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-easy-rag</artifactId>
    <version>1.1.0-beta7</version>
</dependency>

示例代码如下，使用内置的文档加载器读取文档，然后利用内置的 Embedding 模型将文档转换成向量，并存储在内置的 Embedding 内存存储中，最后给 AI Serv⁢ice 绑定默认的内容检索器。

@Resource
private EmbeddingStore<TextSegment> embeddingStore;

// RAG
// 1. 加载文档
List<Document> documents = FileSystemDocumentLoader.loadDocuments("src/main/resources/docs");

// 2. 使用内置的 EmbeddingModel 转换文本为向量，然后存储到自动注入的内存 embeddingStore 中
EmbeddingStoreIngestor.ingest(documents, embeddingStore);

// 构造 AI Service
AiCodeHelperService aiCodeHelperService = AiServices.builder(AiCodeHelperService.class)
        .chatModel(qwenChatModel)
        .chatMemory(chatMemory)
        // RAG：从内存 embeddingStore 中检索匹配的文本片段
        .contentRetriever(EmbeddingStoreContentRetriever.from(embeddingStore))
        .build();

可以看到，极简版的特点是 “一切皆默认”，实际开发中，为了更好的效果，建议采用标准版⁢或进阶版。

再次运行代码，输入问题 Debug Java 程序，查看一下 embeddingStore 中的内容：

可以看到，极简版 RAG 直接将文档转换成了向量，并存储在内存中，后续 AI Service 可以直接从内存中检索相关内容。

好了，本篇文章就到这里，极简版 RAG 的使用非常简单，适合快速查看效果。