基于 SpringBoot 整合 LangChain4j 实现完整的 RAG 流程，核心包括：自定义 ContentRetriever 加载知识库、配置阿里百炼文本向量模型、替换内存存储为 Pinecone 向量数据库，最终实现精准的知识库检索增强生成。

一、核心组件：ContentRetriever（检索器）

1.1 作用

ContentRetriever 是 LangChain4j 中 RAG 的核心检索组件，负责从向量存储中检索与用户查询最相似的文本片段，为大模型提供精准的外部知识。

1.2 自定义 ContentRetriever Bean（Spring 配置）

1.2.1 代码实现（XiaozhiAgentConfig.java）

import dev.langchain4j.data.document.Document;
import dev.langchain4j.data.document.loader.FileSystemDocumentLoader;
import dev.langchain4j.data.segment.TextSegment;
import dev.langchain4j.retriever.ContentRetriever;
import dev.langchain4j.retriever.EmbeddingStoreContentRetriever;
import dev.langchain4j.store.embedding.EmbeddingStoreIngestor;
import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

import java.util.Arrays;
import java.util.List;

@Configuration
public class XiaozhiAgentConfig {

    /**
     * 自定义小智助手的内容检索器
     * 步骤：加载文档 → 初始化内存向量库 → 文档分割+向量化+入库 → 构建检索器
     */
    @Bean
    public ContentRetriever contentRetrieverXiaozhi() {
        // 1. 加载本地知识库文档（MD格式，使用默认TextDocumentParser解析）
        Document doc1 = FileSystemDocumentLoader.loadDocument("E:/knowledge/医院信息.md");
        Document doc2 = FileSystemDocumentLoader.loadDocument("E:/knowledge/科室信息.md");
        Document doc3 = FileSystemDocumentLoader.loadDocument("E:/knowledge/神经内科.md");
        List<Document> documents = Arrays.asList(doc1, doc2, doc3);

        // 2. 初始化内存向量存储（仅测试用，生产需替换为Pinecone）
        InMemoryEmbeddingStore<TextSegment> embeddingStore = new InMemoryEmbeddingStore<>();

        // 3. 文档处理入库：分割 → 向量化 → 存入向量库（使用默认递归分割器+内置向量模型）
        EmbeddingStoreIngestor.ingest(documents, embeddingStore);

        // 4. 构建并返回基于向量库的检索器
        return EmbeddingStoreContentRetriever.from(embeddingStore);
    }
}

1.2.2 关键说明

• FileSystemDocumentLoader：加载本地文件，默认使用 TextDocumentParser 解析纯文本（MD/TXT/HTML）；
• EmbeddingStoreIngestor.ingest()：一站式完成「文档分割 + 文本向量化 + 向量入库」；
• InMemoryEmbeddingStore：内存级向量存储，优点是无需部署、快速测试；缺点是重启后数据丢失，生产环境禁止使用。

1.3 关联 AI 服务（XiaozhiAgent.java）

将自定义的 ContentRetriever 配置到 AI 服务中，让大模型生成时自动检索知识库：

import dev.langchain4j.service.AiService;
import static dev.langchain4j.service.WiringMode.EXPLICIT;

@AiService(
    wiringMode = EXPLICIT, // 显式指定依赖组件
    chatModel = "qwenChatModel", // 通义千问对话模型
    chatMemoryProvider = "chatMemoryProviderXiaozhi", // 对话记忆组件
    tools = "appointmentTools", // 自定义工具（预约挂号）
    contentRetriever = "contentRetrieverXiaozhi" // 关联自定义检索器
)
public class XiaozhiAgent {
    // AI 方法定义...
}

1.4 工具提示词优化（关键）

修改工具的 value 提示，引导模型优先从向量库检索信息：

java

运行

import dev.langchain4j.agent.tool.Tool;

@Tool(
    name = "预约挂号",
    value = "根据参数，先执行工具方法queryDepartment查询是否可预约，并直接给用户回答是否可预约，并让用户确认所有预约信息，用户确认后再进行预约。如果用户没有提供具体的医生姓名，请从向量存储中找到一位医生。"
)
public String appointmentRegistration(String department, String doctorName) {
    // 工具逻辑实现...
}

二、向量模型：阿里百炼 text-embedding-v3（通用文本向量）

2.1 核心介绍

• 作用：将文本（文档片段 / 用户查询）转换为高维向量，向量维度越高，语义表达越精准，检索精度越高；
• text-embedding-v3：阿里百炼通用文本向量模型，维度 1024，支持中文语义精准建模；
• 依赖：需引入 langchain4j-community-dashscope（通义千问 / 百炼集成依赖）。

2.2 配置步骤

2.2.1 依赖（已引入可忽略）

xml

<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-community-dashscope</artifactId>
    <version>0.32.0</version>
</dependency>

2.2.2 配置文件（application.yml/application.properties）

yaml

# 阿里百炼文本向量模型配置
langchain4j:
  community:
    dashscope:
      embedding-model:
        api-key: ${DASH_SCOPE_API_KEY} # 百炼API Key（替换为自己的）
        model-name: text-embedding-v3 # 向量模型名称

• DASH_SCOPE_API_KEY：需在阿里百炼控制台申请，配置为环境变量或直接替换；
• 模型默认输出 1024 维向量，无需额外配置维度。

2.3 测试向量模型（SpringBootTest）

java

运行

import dev.langchain4j.model.embedding.Embedding;
import dev.langchain4j.model.embedding.EmbeddingModel;
import dev.langchain4j.model.output.Response;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;

@SpringBootTest
public class EmbeddingTest {

    @Autowired
    private EmbeddingModel embeddingModel; // 自动注入百炼向量模型

    @Test
    public void testEmbeddingModel() {
        // 文本向量化
        Response<Embedding> embedResponse = embeddingModel.embed("你好");
        Embedding embedding = embedResponse.content();

        // 输出结果
        System.out.println("向量维度：" + embedding.vector().length); // 输出1024
        System.out.println("向量内容：" + embedding.toString());
    }
}

三、向量存储：从内存存储到 Pinecone（生产级）

3.1 核心对比

表格

存储类型	优点	缺点	适用场景
InMemoryEmbeddingStore	无需部署、测试快	重启丢失、不支持分布式、容量小	本地测试 / 演示
Pinecone	持久化、分布式、支持高并发、相似度检索优化	需要注册、少量免费额度（2GB）	生产环境 / 正式部署

3.2 Pinecone 简介

• 官方地址：https://www.pinecone.io/
• 核心能力：专为向量检索设计的云原生数据库，支持余弦相似度 / 点积等多种相似度计算，提供 REST API 快速集成；
• 免费额度：注册后默认 2GB 免费存储空间，满足中小规模场景。

3.3 Pinecone 使用前置步骤

1. 注册 Pinecone 账号并登录；
2. 创建 Index（索引）：设置向量维度（需与 text-embedding-v3 一致，1024）、距离度量方式（余弦相似度）；
3. 获取 API Key 和环境 ID（Environment），配置到项目环境变量中。

3.4 核心概念：检索得分

• 含义：查询向量与存储向量的相似度数值（如余弦相似度），得分越高，语义相关性越强；
• 作用：ContentRetriever 会根据得分筛选 Top-K 最相似的文本片段，作为大模型的参考知识。

3.5 Pinecone 集成（替换内存存储）

3.5.1 添加依赖

xml

<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-pinecone</artifactId>
    <version>0.32.0</version>
</dependency>

3.5.2 替换 ContentRetriever 中的向量存储

@Bean
public ContentRetriever contentRetrieverXiaozhi() {
    // 1. 加载文档（同之前）
    Document doc1 = FileSystemDocumentLoader.loadDocument("E:/knowledge/医院信息.md");
    List<Document> documents = Arrays.asList(doc1, doc2, doc3);

    // 2. 初始化Pinecone向量存储（替换InMemoryEmbeddingStore）
    PineconeEmbeddingStore<TextSegment> embeddingStore = PineconeEmbeddingStore.builder()
            .apiKey(System.getenv("PINECONE_API_KEY")) // 环境变量中的API Key
            .environment(System.getenv("PINECONE_ENV")) // Pinecone环境ID
            .indexName("xiaozhi-rag-index") // 自己创建的Index名称
            .dimension(1024) // 与text-embedding-v3维度一致
            .build();

    // 3. 文档入库（分割+向量化+存入Pinecone）
    EmbeddingStoreIngestor.ingest(documents, embeddingStore);

    // 4. 构建检索器（可配置返回Top-K片段，默认Top-5）
    return EmbeddingStoreContentRetriever.builder()
            .embeddingStore(embeddingStore)
            .embeddingModel(embeddingModel) // 注入百炼向量模型
            .maxResults(3) // 每次检索返回3个最相似片段
            .build();
}

四、完整测试流程

4.1 Controller 测试 RAG 效果

import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class RagController {

    @Autowired
    private XiaozhiAgent xiaozhiAgent;

    @GetMapping("/rag/query")
    public String ragQuery(@RequestParam String question) {
        // 调用AI服务，自动触发ContentRetriever检索知识库
        return xiaozhiAgent.chat(question);
    }
}

4.2 测试示例

• 请求：/rag/query?question=神经内科有哪些可预约的医生
• 预期效果：模型从向量库中检索「神经内科.md」的内容，结合工具逻辑返回精准答案，而非编造信息。

---

总结（核心关键点）

1. ContentRetriever 是 RAG 检索的核心，需绑定到 AI 服务中，实现「查询→检索→生成」的闭环；
2. 向量模型 决定文本向量化精度，优先选用生产级模型（如阿里 text-embedding-v3），维度需与向量数据库匹配；
3. 向量存储：InMemoryEmbeddingStore 仅用于测试，生产必须替换为 Pinecone/Milvus 等专业向量数据库，保证数据持久化和检索性能。