企业官网建设流程全解析

<dependencyManagement> <dependencies> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-bom</artifactId> <version>2.0.1</version> <type>pom</type> <scope>import</scope> </dependency> </dependencies> </dependencyManagement>

<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-rag</artifactId> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-model-openai</artifactId> </dependency>

@Configuration public class PromptClientConfiguration { @Bean("ragManualChatClient") public ChatClient ragManualChatClient( ChatClient.Builder chatClientBuilder, VectorStore vectorStore) { String promptTemplate = """ 你是一个知识库助手，请根据以下参考资料回答用户问题。 参考资料： {context} 问题：{question} """; return chatClientBuilder.build(); } // 检索文档并拼接上下文 private String retrieveAndBuildContext(String question) { List<Document> docs = vectorStore.similaritySearch( SearchRequest.builder().query(question).topK(5).build() ); StringBuilder sb = new StringBuilder(); for (Document doc : docs) { sb.append(doc.getText()).append("\n\n"); } return sb.toString(); } }

@Configuration public class PromptClientConfiguration { @Bean("ragAutoChatClient") public ChatClient ragAutoChatClient(ChatClient.Builder chatClientBuilder, VectorStore vectorStore) { RetrievalAugmentationAdvisor ragAdvisor = RetrievalAugmentationAdvisor.builder() .documentRetriever(VectorStoreDocumentRetriever.builder() .vectorStore(vectorStore) .topK(5) .build()) .build(); return chatClientBuilder .defaultAdvisors(ragAdvisor) .build(); } }

@GetMapping(value = "/ask") public String ask(@RequestParam String question) { // Step 1: 从向量库检索相关文档 List<Document> relevantDocs = knowledgeService.search(question, 5, 0.6); // Step 2: 把检索到的文档拼接成上下文 StringBuilder context = new StringBuilder(); for (int i = 0; i < relevantDocs.size(); i++) { Document doc = relevantDocs.get(i); context.append(String.format("\n【参考资料%d】（来源：%s）\n%s", i + 1, doc.getMetadata().getOrDefault("source", "未知"), doc.getText())); } // Step 3: 构建增强Prompt，发送给大模型 String prompt = String.format(""" 参考资料： %s 用户问题：%s 请根据上述参考资料回答问题。如果参考资料中没有相关信息，请明确告知。 """, context, question); return ragManualChatClient.prompt() .user(prompt) .call() .content(); }

@GetMapping("/ask-auto") public String askAuto(@RequestParam String question) { return ragAutoChatClient.prompt() .user(question) .call() .content(); }

1.手动编排 - 学习 RAG 原理，理解分块、检索、增强、生成的完整链路。 - 调试检索效果，单独观察召回、重排序、Prompt 增强等环节。 - 需要自定义混合检索、元数据过滤、多路召回、RRF 合并、Rerank。 - 需要精细控制 Embedding、分块策略、上下文窗口和溯源信息。 - 业务系统已有自己的检索服务、权限体系或数据管道。 2.自动编排 / Advisor - 标准 RAG 问答，希望快速集成。 - 使用 QuestionAnswerAdvisor、RetrievalAugmentationAdvisor 等组件一键装配检索增强流程。 - 需要组合多种 Advisor，例如记忆管理、RAG 检索、工具调用、权限过滤。 - 团队希望减少管线胶水代码，把重心放在数据质量、评估和 Prompt 设计上。 - 原型验证、内部知识库、客服问答等标准化场景。 3.生产环境怎么选？ 生产环境不能简单说“推荐 Advisor”或“推荐手动编排”，更合理的判断是： - 优先自动编排 / Advisor：场景较标准、检索逻辑不复杂、希望快速上线和统一维护。 - 优先手动编排：需要混合检索、重排序、多源召回、复杂权限控制、自定义评估链路或深度性能优化。 常见折中方案：用 Advisor 做基础编排，同时替换其中的检索器、Joiner、Ranker、QueryTransformer 等组件。

1. QueryTransformers：查询改写（可选）
2. DocumentRetriever：文档检索
3. DocumentPostProcess：文档后处理器，重排或过滤检索结果（如Rerank，可选）
4. QueryAugmenter：查询增强（将检索结果拼入 Prompt）
5. ChatClient 调用：大模型生成答案

• QueryTransformer：查询改写器，提升检索效果
• DocumentPostProcessor：文档后处理器，支持重排或过滤
• QueryAugmenter：查询增强器，将检索结果拼入 Prompt