RAG实战：用LangChain4j构建企业级知识库问答系统
<h2>前言</h2><p>RAG（Retrieval-Augmented Generation，检索增强生成）是当前企业落地大模型最主流的方案。它解决了大模型"幻觉"和"知识截止"两大痛点，让 AI 能够基于企业私有知识库进行精准问答。本文用 LangChain4j 带你从零构建一个完整的 RAG 系统。</p>
<h2>一、RAG 核心原理</h2>
<p>RAG 的工作流程分三步：</p>
<ol>
<li><strong>索引阶段</strong>：将文档切片 → 向量化 → 存入向量数据库</li>
<li><strong>检索阶段</strong>：用户提问 → 向量化 → 相似度检索 → 召回相关文档片段</li>
<li><strong>生成阶段</strong>：将召回内容 + 用户问题拼接为 Prompt → 大模型生成答案</li>
</ol>
<h2>二、环境准备</h2>
<pre><code><!-- pom.xml -->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j</artifactId>
<version>0.36.0</version>
</dependency>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-open-ai</artifactId>
<version>0.36.0</version>
</dependency>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-embeddings-all-minilm-l6-v2</artifactId>
<version>0.36.0</version>
</dependency></code></pre>
<h2>三、文档加载与切片</h2>
<pre><code>// 加载文档
Document document = FileSystemDocumentLoader.loadDocument(
Paths.get("knowledge-base/company-faq.txt"),
new TextDocumentParser()
);
// 文档切片（每片500字符，重叠50字符）
DocumentSplitter splitter = DocumentSplitters.recursive(500, 50);
List<TextSegment> segments = splitter.split(document);
System.out.println("切片数量: " + segments.size());</code></pre>
<h2>四、向量化与存储</h2>
<pre><code>// 使用本地嵌入模型（无需 API Key）
EmbeddingModel embeddingModel = new AllMiniLmL6V2EmbeddingModel();
// 使用内存向量库（生产环境可换 Milvus/Pinecone）
EmbeddingStore<TextSegment> embeddingStore = new InMemoryEmbeddingStore<>();
// 批量向量化并存储
EmbeddingStoreIngestor ingestor = EmbeddingStoreIngestor.builder()
.documentSplitter(DocumentSplitters.recursive(500, 50))
.embeddingModel(embeddingModel)
.embeddingStore(embeddingStore)
.build();
ingestor.ingest(document);
System.out.println("文档已向量化并存入知识库");</code></pre>
<h2>五、构建问答链</h2>
<pre><code>// 定义 AI 服务接口
interface KnowledgeBaseAssistant {
String answer(String question);
}
// 配置 RAG 检索器
ContentRetriever contentRetriever = EmbeddingStoreContentRetriever.builder()
.embeddingStore(embeddingStore)
.embeddingModel(embeddingModel)
.maxResults(3) // 召回最相关的3个片段
.minScore(0.6) // 相似度阈值
.build();
// 构建 AI 服务
KnowledgeBaseAssistant assistant = AiServices.builder(KnowledgeBaseAssistant.class)
.chatLanguageModel(OpenAiChatModel.builder()
.apiKey(System.getenv("OPENAI_API_KEY"))
.modelName("gpt-4o-mini")
.build())
.contentRetriever(contentRetriever)
.build();
// 开始问答
String answer = assistant.answer("公司的退款政策是什么？");
System.out.println("AI回答: " + answer);</code></pre>
<h2>六、生产环境优化</h2>
<ol>
<li><strong>向量数据库</strong>：替换 InMemoryEmbeddingStore 为 Milvus 或 Weaviate</li>
<li><strong>混合检索</strong>：结合关键词检索 + 向量检索，提升召回率</li>
<li><strong>重排序</strong>：使用 Reranker 对召回结果重新排序，提升精度</li>
<li><strong>流式输出</strong>：使用 StreamingChatLanguageModel 实现打字机效果</li>
</ol>
<h2>总结</h2>
<p>RAG 是企业落地大模型的最佳实践。LangChain4j 提供了完整的 Java 生态支持，让你无需 Python 也能构建生产级 AI 应用。下期我们来聊：<strong>如何用 Milvus 替换内存向量库，支持百万级文档检索</strong>。</p>
<p>觉得有帮助请点赞收藏！有问题欢迎评论区交流 🚀</p>
</div>
<div id="MySignature" role="contentinfo">
---
📌 **如果觉得文章对你有帮助，欢迎点赞👍收藏⭐！**
💬 有问题或建议？欢迎在评论区留言讨论~
🔗 更多技术干货请关注作者：弥烟袅绕
📚 本文地址：https://www.cnblogs.com/czlws/p/19799382/rag-langchain4j-java-ai-knowledge-base<br><br>
来源：https://www.cnblogs.com/czlws/p/19799382/rag-langchain4j-java-ai-knowledge-base
頁:
[1]