至于前置基础，主要名词通俗解读

这里把所有后续高频名词一次性讲透，不用再翻百度查概念。Spring AI 只是封装了底层实现主要RAG原理完全不变：

• RAG大白话就是「先查资料，再答题」。怎么说呢，大模型本身有自带知识，但RAG会先去我们上传的私有文档里找对应内容。只靠找到的资料回答，杜绝瞎编，解决问题AI幻觉问题。从类比来看，开卷考试，课本是我们的私有文档。答题只能抄课本内容，不能凭记忆乱写。

  

• Chunk把长篇文档切碎成一小段一小段的文字块。Spring AI 原生内置语义切片器，无需手写滑动窗口逻辑。

• Embedding把文字转换成计算机能读懂的数字数组。说起来，Spring AI 统一适配本地离线模型/云端模型，切换零成本。

• 向量数据库存储文本向量与溯源元数据。Spring AI 提供统一向量库顶层接口，Chroma、Milvus、Redis 无缝切换。

• Rerank二次筛选检索内容。过滤无效信息，Spring AI .x 原生支持重排序顾问组件。

• 幻觉大模型脱离参考文档编造内容，Spring AI 通过约束 Prompt + 检索阈值双层抑制幻觉。

整程序统架构

框架标准化流水线，完全替代手写硬编码流程。链路更稳定：

文档上传 → Spring AI 文档解析器解析清洗 → 原生语义切片 → 统一 Embedding 向量化 → 向量库多集合隔离入库 → 使用者提问 → 向量粗检索 → 原生重排序精筛 → 框架 Prompt 自动组装约束 → 大模型应答 + 溯源输出

从主要特性来看，

• 向量库 Collection 天然隔离，实现多知识库独立管理、数据互不干扰。

• 至于双层幻觉抑制，检索阈值过滤 + 模型 Prompt 强约束。

• 原生溯源、无答案兜底、对话上下文适配。

• Spring Boot 自动装配，零配置快速集成生产项目。

第一章 Spring AI .x 环境依赖

使用者痛点：依赖冲突、版本不兼容导致项目无法启动。下面的统一 starter 解决掉这些痛点。按理说，

org.springframework.ai
spring-ai-starter
${spring-ai.version}


org.springframework.ai
spring-ai-djl-starter
${spring-ai.version}


org.springframework.ai
spring-ai-chroma-store-starter
${spring-ai.version}


org.apache.pdfbox
pdfbox
&amp，amp;amp，amp;amp，amp;amp，amp;amp，amp;amp，&&a，&;nbsp，&a…&，nbsp;&a，&;nbsp，&a…... ...

开发规范：项目必须固定 Spring AI .x 版本。高版本存在 API 破坏性变更，新旧代码无法兼容。模型与向量库依赖均由框架自动适配。无需手动引入第三方客户端，实现“零冲突”。

第二章 文档解析与清洗

原理拆解

Spring AI .x 内置标准化文档解析器程序，彻底废弃手写 DocumentParser 工具类。框架针对不同文档格式封装专属解析逻辑。自带格式过滤、空白清洗、特殊符号剔除、元数据溯源**能力，实现“一键”清洗，无正则烦恼。老实说，

• 至于PDF。PdfDocumentReader；话说回来，分页解析并自动记录页码元数据。

• Word这方面，DocxDocumentReader；段落解析并记录段落信息，

完整可运行代码

import org.springframework.ai.document.Document;import org.springframework.ai.document.DocumentReader;import org.springframework.ai.reader.pdf.PdfDocumentReader;import org.springframework.ai.reader.docx.DocxDocumentReader;import org.springframework.core.io.FileSystemResource;怎么说呢，import java.io.File;import java.util.List;/**
* SpringAI 统一文档解析工具
* 零手写清洗逻辑、原生支持溯源、适配多格式文档
*/
public class AiDocumentUtil {
/** 统一文档解析入口，自动识别文件后缀 */
public static List parseFile {
File file = new File;FileSystemResource resource = new FileSystemResource;String suffix = filePath.substring + 1).toLowerCase;DocumentReader reader = switch {
case "pdf" -> new PdfDocumentReader;话说回来，case "docx" -> new DocxDocumentReader;default -> throw new RuntimeException;}，// 框架自动解析 + 清洗 + 绑定元数据
return reader.get;不过，}
public static void main {
List documents = parseFile;// 打印内容与溯源元数据
documents.forEach(doc -> {
System.out.println);System.out.println);})，}
}

主要优势对比手写代码

• 代码量缩减约70%，无冗余正则、无重复 IO 逻辑。

• 官方内置清洗规则，规避手写正则漏清洗/误清洗 bug。不过，

• 自动绑定文件名、页码、段落等溯源信息。无需手动映射，

• 统一 {@link Document} 对象，为后续切片、入库、检索提供一致载体。

高频面试题+标准答案

A1： Sprint AI 文档解析相比原生手写有什么优势？说起来，A： 手写需要自行处理 IO、正则清洗还有元数据绑定。一旦遗漏就会产生脏数据，Spring AI 封装标准化解析器，实现多格式适配+自动清洗+原生溯源。一行代码就可以完成全链路准备，明显提高稳定性与维护效率。

再看A2， A ：它是 RAG 全链路统一的数据载体。将文本内容+溯源元数据信息贯穿「解析→切片→向量化→入库→检索」全过程，让业务模块只需要关注 {@link Document} ，降低耦合度。

第三章 文本切片

废弃手写滑动窗口切片代码，用 Spring AI 原生 TokenTextSplitter 实现工业级最优参数——块大小 512 token 、重叠 128 token。话说回来，框架会在句号/段落处优先断句，不会截断完整语义。 相比字符方式，更贴合大模型输入规则。

import org.springframework.ai.document.Document;import org.springframework.ai.transformer.splitter.TokenTextSplitter;import java.util.List;/**
* Spring AI 原生语义切片工具
* 对齐最佳生产参数：块大小512,重叠128
*/
public class AiTextSplitterUtil {
// 初始化全局切片器
private static final TokenTextSplitter SPLITTER =
new TokenTextSplitter;话说回来，/** 文档语义切片 */
public static List splitDocument{
// 框架自动完成语义切割 + 重叠填充 + 空块过滤
return SPLITTER.apply;}
public static void main{
List docs = AiDocumentUtil.parseFile;List chunks = splitDocument;chunks.forEach));}
}

踩坑记录

Token‑维度切割比字符更精准，但请勿随意改动块大小或重叠比例；过小会导致上下文缺失，过大可能触发模型输入截断，引发答案不完整或幻觉。

第四章 Embedding 向量化

Spring AI .x 已经集成 DJL。无需自己编写模型加载或归一化代码，一行配置就可以完成「本地离线」Embedding。等价于之前自行使用 all‑MiniLM‑L6‑v2 的全部功能，却免去了繁琐的 TensorFlow/PyTorch 环境搭建。

配置文件

# Spring AI 本地 Embedding 模型配置
从spring来看，ai:
从djl来看，embedding:
至于model，all-MiniLM-L6-v2
--- # 自动向量归一化。对齐 Python 标准
--- device: cpu

注入使用

import org.springframework.ai.document.Document;import org.springframework.ai.embedding.EmbeddingModel;import org.springframework.beans.factory.annotation.Autowired;import org.springframework.stereotype.Component;@Component
public class AiEmbeddingService {
@Autowired private EmbeddingModel embeddingModel;/** 批量文档向量化 */
public void embedDocuments{
// 自动批处理+归一化，无需额外操作
embeddingModel.embed;}
}

第五章 向量数据库

Spring AI 已经为 ChromaDB 提供顶层抽象，通过配置就可以本地持久化、多 Collection 隔离还有相似度阈值过滤等功能。者不再需要自行编写 HTTP 客户端或 protobuf 协议栈，只要注入 ChromaVectorStore 就可以使用全套 CRUD 接口。

主要配置

再看spring，ai:
vectorstore:
chroma的观点是，client:
至于host，localhost
至于port，8000 # 与实际服务端口保持一致
persist: true # 开启磁盘持久化
--- # 默认检索参数。可根据业务调优
--- top-k: 10
--- similarity-threshold: 0.7

多知识库隔离 + 入库 + 检索主要代码

import org.springframework.ai.document.Document;import org.springframework.ai.vectorstore.ChromaVectorStore;import org.springframework.ai.vectorstore.SearchRequest;import org.springframework.beans.factory.annotation.Autowired;import org.springframework.stereotype.Service;其实，@Service
public class AiVectorStoreService {
@Autowired private ChromaVectorStore vectorStore;/** 按知识库名称入库 */
public void importDocsToKB{
vectorStore.withCollectionName;vectorStore.add;话说回来，}
/** 基于相似度阈值的语义检索 */
public List search{
vectorStore.withCollectionName;SearchRequest request = SearchRequest.builder
.query
.topK
.similarityThreshold
.build;return vectorStore.similaritySearch;}
}

第六章 重排序 Rerank

RerankAdvisor 是 Spring AI 官方提供的二次筛选组件，它在「粗检索」之后。

集成代码示例

import org.springframework.ai.chat.client.ChatClient;import org.springframework.ai.chat.prompt.PromptTemplate;import org.springframework.ai.document.Document;import org.springframework.ai.rag.advisor.RerankAdvisor;其实，import org.springframework.beans.factory.annotation.Autowired;import org.springframework.stereotype.Service;不过，@Service
public class AiRagService {
@Autowired private AiVectorStoreService vectorStoreService;// 注入默认 Rerank 顾问实例
private final RerankAdvisor rerankAdvisor = RerankAdvisor.defaultRerankAdvisor;话说回来，public String chat{
// 粗检索
List rawDocs = vectorStoreService.search;// 二次精筛
List finalDocs = rerankAdvisor.rerank;// Prompt 自动组装约束
PromptTemplate tmpl = new PromptTemplate);return ChatClient.create
.prompt))
.call
.content;}
private String getRagPromptTemplate{
return """
你是私有知识库问答助手。仅基于参考内容回答问题，请勿编造。说起来，如无匹配请回复：“暂无相关知识库内容”。至于问题，{query}
再看参考内容，{context}
""";}
}

第七章 全套 RAG 整合入口

下面给出一个“一键”控制器。实现从文件上传到向量存储再到智能对话的完整闭环，仅保留业务必需代码，使项目能够直接投入生产环境测试。

import org.springframework.stereotype.Controller;import org.springframework.web.bind.annotation.GetMapping;import org.springframework.web.bind.annotation.RequestParam;@Controller
public class RagController {
private final AiRagService ragService;private final AiVectorStoreService vectorStoreService;public RagController(AiRagService ragService,AiVectorStoreService vectorStoreService){
this.ragService = ragService;this.vectorStoreService = vectorStoreService;}
// ---------- 知识库导入 ----------
@GetMapping
public String importDoc(@RequestParam String filePath,@RequestParam String kbName){
var docs = AiDocumentUtil.parseFile;var chunks = AiTextSplitterUtil.splitDocument;vectorStoreService.importDocsToKB;return "知识库入库成功";}
// ---------- 问答接口 ----------
@GetMapping
public String chat(@RequestParam String query,@RequestParam String kbName){
return ragService.chat;}
}

---

第八章 Spring AI 重构主要优势

• # 痛点① 繁琐冗余代码： 传统方案常见千行以上工具类。而使用 Spring AI 后仅剩约200 行主要业务，实现“**极简**”。
• # 痛点② 标准缺失导致难以上线： 官方提供工业级流水线。从解析到问答全链路统一规范，可直接投产。
• # 痛点③ 手工正则/向量计算容易出 bug： 所有关键步骤均交由框架实现，“**零 bug**”。
• # 痛点④ 受限。需要改动大量业务代码： 向量库、更换模型或调节切片策略均通过 **yaml 配置** 完成，无需改动业务。
• # 痛点⑤ 多仓/多租户需求难以满足： 基于 Chroma **Collection** 实现天然隔离，多租户场景无需额外中间件。其实，

  ---

  第九章 高频新增面试题

---