无需复杂算法，SpringAI让RAG（检索增强生成）落地像写CRUD一样简单！本文手把手带你用Java实现企业级知识库问答系统。

一、SpringAI RAG核心原理

RAG = 语义搜索 + 大模型生成

通过向量搜索从知识库中检索相关片段，拼接成Prompt送入大模型生成专业答案

二、5步实战：SpringAI + PostgreSQL（PGVector）实现RAG

环境准备

// pom.xml 关键依赖
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
    <version>0.8.1</version> <!-- 使用最新版 -->
</dependency>
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-pgvector-store</artifactId>
    <version>0.8.1</version>
</dependency>

步骤1：配置连接信息

# application.yml
spring:
  ai:
    openai:
      api-key: YOUR_OPENAI_KEY
    vectorstore:
      pgvector:
        jdbc-url: jdbc:postgresql://localhost:5432/vectordb
        username: postgres
        password: 123456

步骤2：知识库向量化存储

@Bean
VectorStore vectorStore(
    JdbcTemplate jdbcTemplate, 
    EmbeddingClient embeddingClient) { // 自动注入OpenAIEmbedding
    
    return new PgVectorStore(jdbcTemplate, embeddingClient);
}

@Service
public class KnowledgeService {
    @Autowired
    private VectorStore vectorStore;

    public void loadKnowledge(String filePath) {
        // 1. 读取文档（支持PDF/TXT/HTML等）
        Resource resource = new FileSystemResource(filePath);
        
        // 2. 分割文本
        TextReader textReader = new TextReader(resource);
        TextSplitter textSplitter = new RecursiveCharacterTextSplitter();
        List<Document> documents = textSplitter.split(textReader.get());
        
        // 3. 向量化存储
        vectorStore.add(documents);
    }
}

步骤3：实现RAG检索服务

@Service
public class RagService {
    @Autowired
    private VectorStore vectorStore;
    
    @Autowired
    private ChatClient chatClient; // 自动配置的OpenAI客户端

    public String retrieveAndGenerate(String query) {
        // 1. 语义搜索Top3相关片段
        List<Document> similarDocs = vectorStore.similaritySearch(query, 3);
        
        // 2. 构建增强Prompt
        String context = similarDocs.stream()
                .map(Doc::getContent)
                .collect(Collectors.joining("\n"));
        
        PromptTemplate promptTemplate = new PromptTemplate("""
            基于以下知识库信息回答问题：
            {context}
            
            问题：{question}
            答案：
            """);
            
        Prompt prompt = promptTemplate.create(Map.of(
            "context", context,
            "question", query
        ));

        // 3. 调用大模型生成
        return chatClient.call(prompt).getResult().getOutput().getContent();
    }
}

步骤4：创建控制器

@RestController
@RequestMapping("/rag")
public class RagController {
    @Autowired
    private RagService ragService;

    @PostMapping("/ask")
    public String askQuestion(@RequestBody String question) {
        return ragService.retrieveAndGenerate(question);
    }
}

步骤5：测试知识库问答

# 初始化知识库
curl -X POST -d "path=knowledge.pdf" http://localhost:8080/rag/load

# 提问测试
curl -X POST -d "OpenAI什么时候发布了GPT-4？" http://localhost:8080/rag/ask

输出结果示例：

"根据技术文档，OpenAI于2023年3月14日正式发布了GPT-4模型。该版本在多模态处理、上下文长度（支持32K tokens）和复杂推理能力上有显著提升。"

三、性能优化关键点

1. 分块策略：调整RecursiveCharacterTextSplitter的块大小（建议512-1024字符）
2. 元数据过滤：存储文档来源，实现定向搜索

document.getMetadata().put("source", "财务制度2024版");

3. 混合检索：结合关键词+向量搜索（BM25+Embedding）
4. 缓存机制：对高频问题结果做缓存

四、支持的生态组件

五、行动指南

1、创建SpringBoot 3.2+项目

2、添加spring-ai依赖

3、配置OpenAI/PGVector连接

4、实现RAG四步核心逻辑

5、部署知识库文件并启动测试创建SpringBoot 3.2+项目