一、什么是 RAG

Retrieval Augmented Generation 是一种用来弥补大模型缺陷的技术方法，主要解决：

• 长文本处理能力有限
• 容易“胡说八道”
• 缺乏私有知识 / 实时数据

其主要流程如下：

1. 使用者提问
2. 去向量数据库检索这些内容
3. 将“检索结果 + 使用者问题”一起喂给大模型
4. 大模型基于上下文生成答案

二、Spring AI 中的 RAG 支持

开发痛点：如何快速搭建可 的RAG程序？Spring AI提供了两种方法：

1. 开箱即用的Advisor API

• 适合场景：中小型应用、标准化需求、快速验证概念
"需要一个简单的问答程序，但不想花太多时间搭建复杂架构"

2. 可 的模块化 RAG 架构

• "公司知识库需要支持多轮对话、复杂过滤和个性化输出"

org.springframework.ai spring-ai-vector-store org.springframework.ai spring-ai-advisors-vector-store

.1QuestionAnswerAdvisor使用示例：

1. : "为什么我的检索结果总是返回空？""可能是因为similarityThreshold设置过高了试试调低这个值"     .similarityThreshold    
• : "如何减少API调用延迟？""可以预先加载常用文档到内存中："     @PostConstruct public void init {vectorStore.add;}   
• : "如何区分不同部门的文档？""通过metadata过滤实现："     a.param

  &

  &;不过，

&: QueryTransformer会增加一次LLM调用。影响响应时间，说起来，

&: 对于高频查询。 可以考虑缓存重写后的结果;

1. &;lt，"自定义后处理流程&;gt，"

   .documentPostProcessors {
   @Override public List&;ltDocument&，gt process {
   return documents.stream.distinct... }
   })
   /pre>;&

&: 去重操作可能删除部分相关信息;说起来，

&: 对关键领域保留多个视角描述;

1. &;lt，"多源融合处理&; gt，"

   .documentRetriever(new MultiQueryDocumentRetriever(
   MultiQueryExpander.builder,VectorStoreDocumentRetriever.builder))
   /pre>;

&: 需要平衡召回率与计算开销;

&: 对主要领域使用精确匹配,其他采用语义检索;

1. &;lt，"边界条件处理&;gt，"

   .queryAugmenter
   .allowEmptyContext
   .emptyContextPromptTemplate
   .build)
   /pre>;&

&: allowEmptyContext=true会增加幻觉风险;

&: 配合后端监控识别空结果频次;

三、RAG模块化详细说明:

"为什么我的RAG程序效果差？:"

RewriteQueryTransformer提高语义理解; CompressionQueryTransformer压缩历史对话;	topK控制在 -; similarityThreshold设为 ~;	添加MyDocumentPostProcessor去噪; 按权重排序相关度;

: <smalllstyle="color:#ff5722"<small>针对公司级部署:针对公司级部署:

组件类型	典型需求	配置示例