企业官网建设流程全解析

目录

前言

一、先聊背景：为什么需要 RAG？

二、最终目标

三、环境准备

3.1 技术栈

3.2 安装与启动 Redis Stack

3.2.1 前置条件：启用 WSL 2

3.2.2 安装 Docker Desktop

3.2.3 启动 Redis Stack 容器

3.2.4 验证 Redis Stack 是否正常运行

3.2.5 常用管理命令

四、Maven 依赖

五、核心配置

六、RedisVectorStore 配置类

七、文件上传 + 文档入库

7.1 核心 Controller

7.2 这段代码做了什么

八、RAG 问答接口

九、最终完整结果测试

前言

这篇是 Spring AI 进阶系列的第三篇。在前两篇中，我们已经完成了 Spring Boot 3.3.4 集成 Spring AI Alibaba、使用 DashScope 大模型实现流式对话。但通用大模型有一个致命短板：它对我们的私有知识一无所知。本文将通过 RAG（检索增强生成）技术，配合 Redis Stack 向量数据库，手把手实现一个可上传文档、切割向量化、基于私有知识库回答的完整 RAG 系统。

一、先聊背景：为什么需要 RAG？

前面两篇我们成功把大模型接入了 Spring Boot，对话也跑通了。但很快就发现一个问题，你问它“我们公司最新的产品手册里有哪些功能”，它完全答不上来。这不是模型不行，而是它的训练数据里根本没有你的私有文档。大模型就像一位知识渊博但从未读过你公司资料的专家，知识广度够但深度不够。

解决这个问题有两条路：

• 微调（Fine-tuning）：拿私有数据重新训练模型。成本高、周期长、每次数据更新都要重新训练。

• RAG（Retrieval-Augmented Generation）：不改模型，而是在问答时先从私有知识库检索相关内容，拼接进 prompt 一起发给模型。

RAG 就像给大模型外挂了一个“知识U盘”。用户提问时，系统先去向量库里找最相关的文档片段，然后把这些片段和问题一起“喂”给大模型，让它基于参考资料回答。这回要做的就是把这个流程完整落地。

二、最终目标

完成后你将拥有：

1. 一个文件上传接口，支持 PDF、DOCX、TXT 等格式

2. 文档自动经过 Tika 解析 → Token 切割 → 向量化 → 存入 Redis Stack

3. 一个问答接口，提问时自动检索私有知识库，由大模型基于文档内容回答

4. 一条完整的 ETL 数据流：上传 → 解析 → 切割 → 向量化 → 存储 → 检索 → 增强回答

三、环境准备

3.1 技术栈

3.2 安装与启动 Redis Stack

RAG 需要向量检索能力，普通 Redis 不行，必须用 Redis Stack，它内置了 RediSearch 模块，支持向量索引和相似度搜索。在 Windows 上运行 Redis Stack，官方推荐的方式是通过 Docker 容器-。下面从零开始，分步完成环境搭建。

3.2.1 前置条件：启用 WSL 2

Docker Desktop 在 Windows 11 上需要 WSL 2 作为后端-。如果你的系统尚未安装 WSL 2，以管理员身份打开 PowerShell，执行：

wsl --install

安装完成后重启电脑。再次打开 PowerShell，验证 WSL 版本：

wsl --version

确保 WSL 版本不低于 2.1.5-。如果版本过低，执行wsl --update升级。

3.2.2 安装 Docker Desktop

1. 访问 Docker 官网，下载Docker Desktop for Windows (AMD64)安装包-。

2. 双击Docker Desktop Installer.exe运行安装程序。在安装向导中，务必勾选“Use WSL 2 instead of Hyper-V (recommended)”选项-。

3. 按照提示完成安装，安装完成后重启电脑。

4. 从开始菜单启动 Docker Desktop。首次启动会提示接受服务条款，点击Accept。等待任务栏托盘中的 Docker 图标变为稳定的绿色，表示 Docker 引擎已就绪。

5. 打开 PowerShell，验证 Docker 是否安装成功：

docker --version

若正常输出版本号（如Docker version 27.x.x），说明安装成功。

3.2.3 启动 Redis Stack 容器

Docker Desktop 就绪后，在 PowerShell 中执行以下命令，一键拉取并启动 Redis Stack：

docker run -d --name redis-stack -p 6379:6379 -p 8001:8001 -e REDIS_ARGS="--requirepass 123456" redis/redis-stack:latest

参数含义：

首次执行时 Docker 会从 Docker Hub 拉取镜像（约 500MB），需要等待几分钟。命令返回一长串容器 ID 表示启动成功。

3.2.4 验证 Redis Stack 是否正常运行

依次执行以下命令，确认服务一切正常：

# 1. 查看容器状态 docker ps

应看到redis-stack容器状态为Up，且PORTS列有0.0.0.0:6379->6379/tcp的箭头映射。

# 2. 测试 Redis 是否响应 docker exec -it redis-stack redis-cli -a 123456 ping

返回PONG即正常。

# 3. 验证 RediSearch 模块已加载 docker exec -it redis-stack redis-cli -a 123456 MODULE LIST

输出中应包含search模块。

# 4. 测试向量索引命令 docker exec -it redis-stack redis-cli -a 123456 FT._LIST

返回空列表（不报错）即正常。如果报ERR unknown command 'FT._LIST'，说明连接到了普通 Redis，需要检查 6379 端口是否被本地 Redis 服务占用-。

3.2.5 常用管理命令

⚠️踩坑提醒：如果你之前安装过普通 Redis 服务（比如通过 MSI 安装包），它可能也在占用 6379 端口。Spring Boot 会连接到那个普通 Redis 上，导致FT._LIST报unknown command。解决方法：停掉本地 Redis 服务（在“服务”管理器中停止 Redis 服务），或把 Docker 映射到其他端口（如-p 6380:6379），并同步修改application.properties中的spring.data.redis.port。

四、Maven 依赖

现有 pom.xml 基础上，需要补充以下依赖：

<!-- Spring AI Redis 向量存储自动配置 --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-vector-store-redis</artifactId> <version>${spring-ai.version}</version> </dependency> <!-- Spring AI Tika 文档读取器 --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-tika-document-reader</artifactId> <version>${spring-ai.version}</version> </dependency> <!-- Spring AI RAG Advisor（QuestionAnswerAdvisor） --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-advisors-vector-store</artifactId> <version>${spring-ai.version}</version> </dependency>

五、核心配置

在application.properties中追加：

# ===================== Redis 连接 ===================== spring.data.redis.host=127.0.0.1 spring.data.redis.port=6379 spring.data.redis.password=123456 spring.data.redis.database=0 # ===================== Redis 向量库 ===================== # 首次启动自动创建索引 spring.ai.vectorstore.redis.initialize-schema=true # 索引名 spring.ai.vectorstore.redis.index-name=rag-idx # 向量数据键前缀 spring.ai.vectorstore.redis.prefix=rag: # ===================== 对话模型（你现有的配置） ===================== spring.ai.openai.api-key=sk-你的Key spring.ai.openai.base-url=https://llm-o4uz6dvcl1e8uyxv.cn-beijing.maas.aliyuncs.com/compatible-mode spring.ai.openai.chat.options.model=deepseek-v4-flash # ===================== 嵌入模型（RAG 必需） ===================== # ★ 关键：embedding 单独指定 base-url，因为你的 MaaS 端点可能不支持 /v1/embeddings spring.ai.openai.embedding.base-url=https://dashscope.aliyuncs.com/compatible-mode spring.ai.openai.embedding.options.model=text-embedding-v3

这里有一个非常容易踩的坑：如果你的 chat 和 embedding 共用同一个 base-url，而那个端点恰好只支持/chat/completions不支持/embeddings，调用vectorStore.add()时会直接报 404。解决办法就是单独为 embedding 指定一个可用的 base-url-。

六、RedisVectorStore 配置类

Spring AI 的RedisVectorStoreAutoConfiguration有一个硬性条件：容器中必须存在JedisConnectionFactoryBean。Spring Boot 默认使用 Lettuce 客户端，不会自动创建 Jedis 工厂，所以需要手动补一个-。

@Configuration public class RedisVectorStoreConfig { @Value("${spring.data.redis.host:127.0.0.1}") private String host; @Value("${spring.data.redis.port:6379}") private int port; @Value("${spring.data.redis.password:}") private String password; @Value("${spring.data.redis.database:0}") private int database; @Bean public JedisConnectionFactory jedisConnectionFactory() { RedisStandaloneConfiguration config = new RedisStandaloneConfiguration(); config.setHostName(host); config.setPort(port); config.setDatabase(database); if (password != null && !password.isEmpty()) { config.setPassword(password); } return new JedisConnectionFactory(config); } }

注意：不能简单写new JedisConnectionFactory()，那样不会读取application.properties里的密码配置，会导致NOAUTH Authentication required。

七、文件上传 + 文档入库

7.1 核心 Controller

@RestController @RequestMapping("/api/rag") public class RagUploadController { private static final Logger log = LogManager.getLogger(HelloContoller.class); private final VectorStore vectorStore; public RagUploadController(VectorStore vectorStore) { this.vectorStore = vectorStore; } /** * 上传文件 → Tika 提取文本 → TokenTextSplitter 切割 → 存入 Redis 向量库 */ @PostMapping("/upload") public ResponseEntity<String> uploadAndIndex(@RequestParam("file") MultipartFile file) { String originalName = file.getOriginalFilename(); try { log.info("【1】开始保存临时文件"); File tempFile = File.createTempFile("rag_", "_" + originalName); file.transferTo(tempFile); tempFile.deleteOnExit(); log.info("【1】临时文件保存完成: {}", tempFile.getAbsolutePath()); log.info("【2】Tika 开始读取"); Resource resource = new FileSystemResource(tempFile); TikaDocumentReader reader = new TikaDocumentReader(resource); List<Document> documents = reader.get(); documents.forEach(doc -> doc.getMetadata().put("source", originalName)); log.info("【2】Tika 读取完成，文档数: {}", documents.size()); log.info("【3】开始切割"); TokenTextSplitter splitter = new TokenTextSplitter(); List<Document> chunks = splitter.apply(documents); log.info("【3】切割完成，chunk 数: {}", chunks.size()); log.info("【4】开始写入向量库（最可能卡在这）"); vectorStore.add(chunks); log.info("【4】向量库写入完成"); return ResponseEntity.ok("处理完成，chunk 数: " + chunks.size() + "，已存入 Redis"); } catch (Exception e) { log.error("【X】上传处理失败", e); return ResponseEntity.status(500).body( "上传处理失败：" + e.getClass().getSimpleName() + " → " + e.getMessage() ); } } }

7.2 这段代码做了什么

整个流程遵循 Spring AI 的 ETL Pipeline 模式：DocumentReader → DocumentTransformer → VectorStore-。

• TikaDocumentReader：底层使用 Apache Tika，能从 PDF、DOCX、PPT、HTML 等上千种格式中提取纯文本-。

• TokenTextSplitter：默认按 800 tokens 为一个块切分，块与块之间有重叠，避免语义在边界处断裂-。

• vectorStore.add()：自动调用 EmbeddingModel 把每个 chunk 转成向量，然后写入 Redis。

八、RAG 问答接口

@RestController @RequestMapping("/api/chat") public class RagChatController { private final ChatClient chatClient; public RagChatController(ChatClient.Builder builder, VectorStore vectorStore) { QuestionAnswerAdvisor ragAdvisor = QuestionAnswerAdvisor.builder(vectorStore) .searchRequest(SearchRequest.builder() .similarityThreshold(0.5) // 相似度阈值 .topK(5) // 返回最相似的 5 个 chunk .build()) .build(); this.chatClient = builder .defaultAdvisors(ragAdvisor) .build(); } @GetMapping("/ask") public Map<String, String> ask(@RequestParam("message") String message) { String answer = chatClient.prompt() .user(message) .call() .content(); return Map.of("answer", answer); } }

注意：similarityThreshold和topK不能直接写在QuestionAnswerAdvisor.builder()上，它们属于SearchRequest，需要通过.searchRequest()传入。SearchRequest有默认值（topK 默认 4，similarityThreshold 默认 0.5），不传也能用。QuestionAnswerAdvisor的工作原理：每次 prompt 时自动从 VectorStore 检索相关文档片段，拼接进 prompt 上下文后再发给模型。

九、最终完整结果测试

1.启动Docker 中 Redis stack，可以命令或者手动点击Actions中的三角按钮启动。

2.调用上传文件接口，完成PDF切割，并存入Redis向量数据库

点击上传了一篇关于知识共享的文献，大体内容如图所示

通过Redis Desktop工具，查看存储的向量数据，可以看到存储成功了。

3.调用问答接口

给出的问题，“什么是知识共享？”，根据上传的PDF文献，给出了回答，说明整套流程成功。