企业官网建设流程全解析

从文档加载到向量检索，搭建一个完整的RAG知识库问答系统

01 引子

在之前的七篇文章中，我们完成了Spring AI核心功能的闭环：多轮对话、流式输出、Function Calling、Output Parser。但有一个问题始终没解决：

大模型不知道我们私有的知识。

问它公司内部文档、项目技术方案、产品手册，它一概不知，要么说“我不知道”，要么“一本正经地胡说八道”。

RAG（检索增强生成）正是为此而生。

RAG的核心思想：先检索相关资料，再基于资料回答问题。

就像人类遇到不懂的问题会先去翻资料一样，RAG让AI在回答之前先“查资料”，然后基于资料生成回答。

02 RAG 完整链路概览

离线阶段（文档预处理）：

1. 加载文档（PDF、Word、TXT等）

2. 文本分割（切成适合Embedding的小块）

3. 向量化（调用Embedding模型生成向量）

4. 存入向量数据库（pgvector）

在线阶段（问答检索）：

1. 用户提问 → 向量化

2. 在向量数据库中检索相似内容

3. 将检索结果 + 用户问题 一起发给大模型

4. 大模型基于资料生成回答

03 代码实现

3.1 文档加载与文本分割

DocumentLoadingService.java

3.2 向量化服务（使用 DashScope 原生 SDK）

DashScopeEmbeddingService.java

3.3 向量存储与检索服务

VectorStoreService.java

3.4 Controller 接口

DocumentController.java

3.5 配置文件

application.yml

PostgreSQL 表结构（pgvector）

04 测试验证

4.1 准备测试文档

在src/main/resources/documents/test.txt中放入测试内容：

RAG（检索增强生成）是一种AI技术，它通过检索外部知识库来增强大模型的回答能力。 RAG的核心思想是：先检索相关资料，再基于资料回答问题。 RAG可以解决大模型的知识陈旧和幻觉问题。 Spring AI 提供了完整的RAG开发支持，包括文档加载、文本分割、向量存储等。

4.2 存储文档

请求：

4.3 检索文档

请求：

验证结论：✅ 完整 RAG 链路已跑通

05 踩坑记录

坑一：spring-ai-model与jsonschema依赖版本冲突

在使用defaultTools()注册 Tool 时，Spring AI 需要jsonschema-generator来生成 Tool 的 JSON Schema。如果依赖版本不一致，启动时会报NoClassDefFoundError。

解决方案：在pom.xml中统一jsonschema-generator和jsonschema-module-jackson的版本：

注意：两个依赖的版本必须一致，否则会出现类加载冲突。

坑二：Embedding 模型维度不匹配

表定义为 1536 维，但默认的text-embedding-v1输出 1024 维。

解决：使用 DashScope 原生 SDK，显式指定text-embedding-v2模型。

坑三：application.yml中embedding.model配置不生效

Spring AI Alibaba 1.1.2.2 版本中，spring.ai.dashscope.embedding.model配置不会被自动加载。

解决：放弃配置方式，在代码中直接用 DashScope SDK 指定模型。

坑四：PGobject 的setType需要compilescope

postgresql依赖的scope若为runtime，编译时找不到org.postgresql.util.PGobject。

解决：将postgresql的scope改为compile。

06 下期预告

RAG 已经跑通了，但目前还有很多可以优化的空间：

• 检索质量优化：重排序（Rerank）、混合检索（关键词 + 向量）

• 文档处理增强：支持 PDF、Word、Excel 等多种格式

• 流式 RAG：检索 + 流式生成

• 对话式 RAG：结合多轮对话记忆

下一篇，我们探索 RAG 的进阶优化——如何让检索更精准、回答更智能。

📌 我是超超不吵吵，10年Java全栈，正在转型AI应用开发。
每周一篇实战笔记，不贩卖焦虑，只分享能落地的技术。
全网同名，欢迎关注。