.png)
.png)
参考文档
https://docs.spring.io/spring-ai/reference/api/vectordbs/elasticsearch.html
基于 Spring AI 实现 RAG（检索增强生成）的完整实战教程
在本篇博客中，我将带你一步步了解并实践如何使用 Spring AI 构建一个完整的 RAG（Retrieval-Augmented Generation） 系统。我们将结合 Elasticsearch 作为向量数据库，并演示多种 RAG 模式：Basic、Compression、Memory、Translation 和 Rewrite。
这个项目非常适合想要入门大模型 + 向量数据库结合应用的同学，也可以作为企业级问答系统、知识库检索系统的原型参考。
🧠 什么是 RAG？
RAG（Retrieval-Augmented Generation）是一种结合了信息检索和语言生成的技术，其核心思想是：
检索：根据用户输入的问题，在知识库中查找最相关的文档；
增强：将检索到的内容作为上下文注入提示词（Prompt）；
生成：由语言模型基于增强后的 Prompt 生成最终回答。
这样可以有效提升 LLM 的准确性与可控性，特别是在面对内部知识库或私有数据时。
🛠️ 技术栈概览
📁 项目结构一览
spring-ai-demo/
├── src/
│ ├── main/
│ │ ├── java/ # Java 控制器代码
│ │ │ └── com.bingdian.ai.demo.rag.controller/
│ │ │ ├── BasicRAGController.java
│ │ │ ├── CompressionRAGController.java
│ │ │ ├── MemoryRAGController.java
│ │ │ ├── TranslationRAGController.java
│ │ │ └── RewriteRAGController.java
│ │ │
│ │ │ └── resources/
│ │ │ ├── application.yml # 配置文件
│ │ │ ├── documents/ # 中文 PolarDB 文档
│ │ │ ├── documents-cn/ # 中文故事文档
│ │ │ ├── documents-story/ # 英文故事文档
│ │ │ └── static/index.html # 前端测试页面
│ │ │
│ │ └── LoadDoc2VectorDBHandler.java # 初始化文档加载逻辑
│ │
│ └── RAGApplication.java # 主启动类
└── pom.xml # Maven 依赖配置
🚀 核心模块解析
1. 文档加载模块：LoadDoc2VectorDBHandler
该模块负责：
从指定路径读取
.md文件；使用
MarkdownDocumentReader解析内容；利用
TokenTextSplitter对文档进行分块处理；将文本转换为向量后，存入 Elasticsearch。
@PostConstruct
void run() {
var docs = new MarkdownDocumentReader(new FileSystemResource(file)).get();
vectorStore.add(tokenTextSplitter.split(docs));
}
✅ 支持中文文档自动切片并上传至向量数据库
2. RAG 控制器详解
🔹 Basic RAG Controller
基础检索增强模式，直接对用户问题进行检索 + 生成：
@GetMapping("/chat")
public String chatWithDocument(@RequestParam("prompt") String prompt) {
return chatClient.prompt()
.advisors(retrievalAugmentationAdvisor)
.user(prompt)
.call()
.content();
}
🔹 Compression RAG Controller
使用压缩查询优化检索过程，同时保留对话记忆功能：
@PostMapping("/chat/{chatId}")
public String rag(@RequestBody String prompt, @PathVariable String chatId) {
return chatClient.prompt()
.advisors(chatMemoryAdvisor, retrievalAugmentationAdvisor)
.advisors(advisors -> advisors.param(CONVERSATION_ID, chatId))
.user(prompt)
.call()
.content();
}
🔹 Memory RAG Controller
带记忆功能的 RAG，适用于多轮对话场景：
@PostMapping("/chat/{chatId}")
public String chatWithDocument(...) {
return chatClient.prompt()
.advisors(chatMemoryAdvisor, retrievalAugmentationAdvisor)
...
}
🔹 Translation RAG Controller
在检索前将用户输入翻译成目标语言（如英文），适用于跨语言知识库检索：
var queryTransformer = TranslationQueryTransformer.builder()
.targetLanguage("english")
.build();
🔹 Rewrite RAG Controller
使用 LLM 对用户原始提问进行改写，以提高检索相关性：
var queryTransformer = RewriteQueryTransformer.builder()
.targetSearchSystem("vector store")
.build();
🌐 前端交互页面说明
提供了一个简洁的 HTML 页面，允许用户选择任意一种 RAG 模式并发送请求：
index.html 截图
下拉框选择 RAG 模式；
输入问题后点击按钮；
显示对应模型返回结果；
💡 使用 JavaScript 动态生成 Chat ID（用于 Compression / Memory 模式）
⚙️ 核心配置（application.yml）
server:
port: 38080
spring:
ai:
dashscope:
api-key: sk-b4e14a58718e4bc59b8de2a3ce43c266
vectorstore:
elasticsearch:
index-name: spring-ai-polar-index
similarity: cosine
dimensions: 1536
elasticsearch:
uris: http://172.24.32.232:19200
📈 示例：PolarDB 计费策略问答系统
我们以阿里云 PolarDB 的计费策略文档为例，训练出一个专属的知识问答系统：
用户输入：
polardb 收费策略返回：
PolarDB 支持三种计费方式： - 包年包月（预付费） - 按量付费（后付费） - Serverless（动态弹性资源按小时计费） 不同模式适用不同业务场景...
你也可以替换为你自己的知识库，比如产品手册、技术文档、FAQ 等。
📦 运行步骤
准备知识库文档（放入
resources/documents目录下）；修改
application.yml配置；启动 Spring Boot 应用；
打开
http://localhost:38080；输入问题并选择 RAG 模式；
查看结果输出。
🧩 可扩展方向
✅ 支持 PDF / Word / Excel 多种格式解析；
✅ 支持 PostgreSQL、Milvus、FAISS 等其他向量数据库；
✅ 结合 Redis 缓存会话状态；
✅ 添加身份认证和权限控制；
✅ 支持 RESTful API 接口供外部调用；
✅ 集成 LangChain4j 或 LlamaIndex 提供更多高级特性。
🎯 总结
通过本文介绍的 Spring AI Demo，你可以快速搭建一个具备以下能力的 RAG 系统：
GitHub 地址：[待补充]
项目名称：spring-ai-rag
📚 参考资料
如需获取完整源码、部署方案或定制开发，欢迎联系我 👇
评论区