Spring AI之检索增强生成（Retrieval Augmented Generation, RAG）

检索增强生成（RAG）是一种克服大型语言模型（LLM）在长文本生成 、事实准确性 和上下文感知 方面局限性的技术。
Spring AI 通过模块化架构支持 RAG，允许用户：

• 构建自定义 RAG 流程；
• 通过 Advisor API 使用开箱即用的 RAG 流程。

更多 RAG 概念详见Spring AI之AI概念一文。

顾问（Advisors）

Spring AI 通过 Advisor API 提供常见 RAG 流程的原生支持。

QuestionAnswerAdvisor

向量数据库存储了 AI 模型未直接学习的数据。当用户提问时，QuestionAnswerAdvisor 会从向量数据库检索与问题相关的文档，并将结果附加到用户输入中，为 AI 生成回复提供上下文。
使用示例 ：

// 假设已将数据加载到 VectorStore
ChatResponse response = ChatClient.builder(chatModel)
        .build().prompt()
        .advisors(new QuestionAnswerAdvisor(vectorStore)) // 注入 RAG 顾问
        .user(userText)
        .call()
        .chatResponse();

参数配置 ：

• 过滤表达式 ：通过 SQL 风格的字符串限制检索范围（如 type == ‘Spring’），支持动态配置。
• 相似度阈值与 Top K ：

// 配置相似度阈值为 0.8，返回前 6 个结果
var qaAdvisor = new QuestionAnswerAdvisor(
    this.vectorStore,
    SearchRequest.builder()
        .similarityThreshold(0.8d)
        .topK(6)
        .build()
);

动态过滤示例 ：

// 运行时动态设置过滤条件
String content = chatClient.prompt()
    .user("请回答问题 XYZ")
    .advisors(a -> a.param(QuestionAnswerAdvisor.FILTER_EXPRESSION, "type == 'Spring'"))
    .call()
    .content();

RetrievalAugmentationAdvisor（实验性）

Spring AI 提供了基于模块化架构的 RetrievalAugmentationAdvisor ，支持开箱即用的常见 RAG 流程。
注意 ：此功能为实验性，未来版本可能变更。

顺序 RAG 流程

基础 RAG：

Advisor retrievalAugmentationAdvisor = RetrievalAugmentationAdvisor.builder()
        .documentRetriever(VectorStoreDocumentRetriever.builder()
                .similarityThreshold(