Spring AI 系列（三）：RAG 开发必知——两种 Advisor 到底怎么选？附完整代码实现

Spring AI 系列三RAG 开发必知——两种 Advisor 到底怎么选附完整代码实现Spring AI 提供了对常见 RAG 流程的开箱支持通过 Advisor API 实现向量数据库存储着AI模型所不知道的数据当用户提问时Advisor 会向向量数据库查询与用户问题相关的文档将检索结果附加到用户文本中然后通过 AI 大模型推理生成最终回答。在 RAG 流程中有两种 AdvisorQuestionAnswerAdvisor 和 RetrievalAugmentationAdvisor。QuestionAnswerAdvisor当用户提出问题时QuestionAnswerAdvisor 会帮助系统从已有的知识库或数据库中检索答案并将其返回给用户其核心目的是将用户的问题与知识库中的答案进行匹配提供答案。QuestionAnswerAdvisor 侧重问答处理通过理解和分析用户的问题找到最合适的答案。RetrievalAugmentationAdvisor当需要从大型数据库或知识库中检索信息时RetrievalAugmentationAdvisor 会在检索请求前后插入增强逻辑。例如在查询过程中RetrievalAugmentationAdvisor 可以自动加入额外的上下文信息如用户的历史查询、偏好、领域知识等以提高检索结果的相关性和准确性。RetrievalAugmentationAdvisor 侧重信息检索通过增强检索条件和上下文信息来优化查询过程。备注Advisor顾问是 Spring AI 中用于增强方法执行逻辑的组件类似于一个拦截器通过 Advisor可以在方法执行前后插入自定义逻辑从而提升代码的可扩展性与灵活性常用于任务增强、数据预处理等场景。使用以上两种Advisor时需要在项目maven pom.xml导入如下依赖!-- QuestionAnswerAdvisor 依赖包--dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-advisors-vector-store/artifactId/dependency!-- RetrievalAugmentationAdvisor 依赖包--dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-rag/artifactId/dependency下面通过SpringBoot程序演示两种Advisor的使用方式该案例中我们将固定的文档片段存入到Milvus向量库然后通过chatClient 输入问题分别使用两种Advisor进行检索向量库进行回答。1. 创建SpringBoot项目SpringBoot项目命名为SpringAIRAGWithAdvisor设置使用的JDK为17版本。2. 在项目中加入如下Maven依赖?xml version1.0 encodingUTF-8?projectxmlnshttp://maven.apache.org/POM/4.0.0xmlns:xsihttp://www.w3.org/2001/XMLSchema-instancexsi:schemaLocationhttp://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsdmodelVersion4.0.0/modelVersionparentgroupIdorg.springframework.boot/groupIdartifactIdspring-boot-starter-parent/artifactIdversion3.5.3/versionrelativePath/!-- lookup parent from repository --/parentgroupIdcom.example/groupIdartifactIdSpringAIRAGWithAdvisor/artifactIdversion0.0.1-SNAPSHOT/versionnameSpringAIRAGWithAdvisor/namedescriptionSpringAIRAGWithAdvisor/descriptionpropertiesjava.version17/java.version/properties!-- 导入 Spring AI BOM用于统一管理 Spring AI 依赖的版本 引用每个 Spring AI 模块时不用再写 version只要依赖什么模块 Mavens 自动使用 BOM 推荐的版本 --dependencyManagementdependenciesdependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-bom/artifactIdversion1.0.0-SNAPSHOT/versiontypepom/typescopeimport/scope/dependency/dependencies/dependencyManagementdependenciesdependencygroupIdorg.springframework.boot/groupIdartifactIdspring-boot-starter-web/artifactId/dependency!-- Deepseek AI 依赖 --dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-starter-model-deepseek/artifactId/dependency!-- 智普AI 依赖 --dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-starter-model-zhipuai/artifactId/dependency!-- QuestionAnswerAdvisor 依赖包--dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-advisors-vector-store/artifactId/dependency!-- RetrievalAugmentationAdviso 依赖包--dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-rag/artifactId/dependency!-- Milvus VectorStore 依赖包--dependencygroupIdorg.springframework.ai/groupIdartifactIdspring-ai-starter-vector-store-milvus/artifactId/dependency/dependencies!-- 声明仓库 用于获取 Spring AI 以及相关预发布版本--repositoriesrepositoryidspring-snapshots/idnameSpring Snapshots/nameurlhttps://repo.spring.io/snapshot/urlreleasesenabledfalse/enabled/releases/repositoryrepositorynameCentral Portal Snapshots/nameidcentral-portal-snapshots/idurlhttps://central.sonatype.com/repository/maven-snapshots//urlreleasesenabledfalse/enabled/releasessnapshotsenabledtrue/enabled/snapshots/repository/repositories/project注意在该 pom.xml 中引入了spring-ai-starter-model-zhipuai依赖包用于文档片段转换成向量存入向量库在该 pom.xml 中引入了spring-ai-starter-model-deepseek依赖包用于 chatClient 聊天。在该 pom.xml 中引入了spring-ai-advisors-vector-store和spring-ai-rag依赖包两个依赖包分别为 QuestionAnswerAdvisor 和 RetrievalAugmentationAdvisor 依赖。在该 pom.xml 中引入了spring-ai-starter-vector-store-milvus依赖包该依赖为 Milvus VectorStore 依赖包。3. 配置resources/application.propertiesspring.application.nameSpringAIRAGWithAdvisor server.port8080 ## 使用 智普AI Embedding 模型需要在pom.xml中引入对应依赖 spring.ai.zhipuai.api-keyd...4 spring.ai.zhipuai.base-urlhttps://open.bigmodel.cn/api/paas spring.ai.zhipuai.embedding.options.modelembedding-2 ## 配置 Chat Model:Deepseek的基础URL、密钥和使用模型 spring.ai.deepseek.base-urlhttps://api.deepseek.com spring.ai.deepseek.api-keysk-8...1 spring.ai.deepseek.chat.options.modeldeepseek-chat ## Milvus 配置 spring.ai.vectorstore.milvus.client.hostnode2 spring.ai.vectorstore.milvus.client.port19530 # 默认用户名和密码为 root 和 Milvus spring.ai.vectorstore.milvus.client.tokenroot:Milvus # 要使用的 Milvus 数据库的名称 spring.ai.vectorstore.milvus.database-namedefault # 用于存储 vector 的 Milvus 集合名称 spring.ai.vectorstore.milvus.collection-namevector_store #是否自动初始化 schema如vector_store如果没有会自动创建 spring.ai.vectorstore.milvus.initialize-schematrue # Milvus 集合中要存储的 vector 的维度默认为1536要与所使用的 embedding 模型的维度匹配如DeepSeek、ZhiPuAI 或其他都是1024维 spring.ai.vectorstore.milvus.embedding-dimension10244. 构建两个Rag Advisor和Chat Client在项目中创建config/AIConfig.java 该类标记为Configuration类。类中注入QuestionAnswerAdvisor、RetrievalAugmentationAdvisor以及ChatClient并且每次运行SpringBoot项目时向Milvus中插入指定文档向量数据如果已存在则不重复插入。packagecom.example.springairagwithadvisor.config;importio.milvus.client.MilvusServiceClient;importio.milvus.grpc.GetCollectionStatisticsResponse;importio.milvus.param.R;importio.milvus.param.collection.FlushParam;importio.milvus.param.collection.GetCollectionStatisticsParam;importio.milvus.response.GetCollStatResponseWrapper;importjakarta.annotation.PostConstruct;importorg.springframework.ai.chat.client.ChatClient;importorg.springframework.ai.chat.client.advisor.vectorstore.QuestionAnswerAdvisor;importorg.springframework.ai.deepseek.DeepSeekChatModel;importorg.springframework.ai.document.Document;importorg.springframework.ai.rag.advisor.RetrievalAugmentationAdvisor;importorg.springframework.ai.rag.generation.augmentation.ContextualQueryAugmenter;importorg.springframework.ai.rag.retrieval.search.VectorStoreDocumentRetriever;importorg.springframework.ai.vectorstore.SearchRequest;importorg.springframework.ai.vectorstore.VectorStore;importorg.springframework.ai.vectorstore.milvus.MilvusVectorStore;importorg.springframework.beans.factory.annotation.Autowired;importorg.springframework.beans.factory.annotation.Value;importorg.springframework.context.annotation.Bean;importorg.springframework.context.annotation.Configuration;importjava.util.List;ConfigurationpublicclassAIConfig{// 注入 MilvusVectorStore 实例AutowiredprivateMilvusVectorStorevectorStore;// 从配置文件中读取 Milvus 集合名称Value(${spring.ai.vectorstore.milvus.collection-name})privateStringcollectionName;//配置 QuestionAnswerAdvisor用于问答任务BeanpublicQuestionAnswerAdvisorquestionAnswerAdvisor(){returnQuestionAnswerAdvisor.builder(vectorStore)// 配置向量搜索的参数这里设置了相似度阈值为 0.5返回前 6 个结果.searchRequest(SearchRequest.builder().similarityThreshold(0.5d).topK(6).build()).build();}//配置 RetrievalAugmentationAdvisor用于增强检索任务BeanpublicRetrievalAugmentationAdvisorretrievalAugmentationAdvisor(){//VectorStoreDocumentRetriever 负责在向量数据库中根据查询获取最相关的文档//支持根据相似度阈值、top-K返回前K个最相关文档和过滤表达式等方式进行精确检索VectorStoreDocumentRetrieverretrieverVectorStoreDocumentRetriever.builder().vectorStore(vectorStore)// 设置向量存储对象.similarityThreshold(0.5)//设置相似度阈值.topK(6)//设置返回前K个最相关文档.build();//ContextualQueryAugmenter 用于增强查询根据上下文信息生成更具体的查询//支持基于上下文的查询增强例如根据用户输入的上下文信息生成更具体的查询提高检索的准确性和效率ContextualQueryAugmentercqaContextualQueryAugmenter.builder().allowEmptyContext(true)//允许空上下文.build();//返回 RetrievalAugmentationAdvisor 对象用于增强检索任务returnRetrievalAugmentationAdvisor.builder().documentRetriever(retriever)// 设置文档检索器.queryAugmenter(cqa)// 设置查询增强器.build();}//配置 ChatClient初始化聊天客户端BeanpublicChatClientchatClient(DeepSeekChatModelchatModel){returnChatClient.builder(chatModel).defaultSystem(你是一个助手回答用户问题是不要提及回复是从上下文信息中获取的不要回答你不知道的问题如果你不知道答案就回答抱歉我不清楚这个问题。).build();}/** * PostConstruct 注解的方法会在 Spring 容器完成依赖注入后自动调用一次常用于执行初始化逻辑。 */PostConstructpublicvoidinitVectorData(){System.out.println(初始化向量数据写入到 Milvus 数据库中...);// 获取 Milvus 客户端实例MilvusServiceClientclient(MilvusServiceClient)vectorStore.getNativeClient().get();// 获取集合统计信息查询集合的记录数量RGetCollectionStatisticsResponserespclient.getCollectionStatistics(GetCollectionStatisticsParam.newBuilder().withCollectionName(collectionName).build());// 获取实体数量即数据行数longrowCountnewGetCollStatResponseWrapper(resp.getData()).getRowCount();System.out.println(Milvus vector_store 中数据数量rowCount);//如果集合没有数据就写入if(rowCount0){System.out.println(Milvus vector_store 中没有数据写入...);ListDocumentdocsList.of(newDocument(Spring AI 是一个开源 AI 集成项目),newDocument(Milvus 是一款高性能向量数据库),newDocument(DeepSeek 是一个开源大语言模型));//vectorStore.add(docs) 调用时Spring AI 的 MilvusVectorStore 会使用注入的 EmbeddingModel 将每个 Document 中的文本内容转换成向量并写入vectorStore.add(docs);// 获取 Milvus 客户端并手动调用 flush刷新索引确保数据被持久化到 Milvus 数据库中System.out.println(Milvus vector_store 刷新索引...);client.flush(FlushParam.newBuilder().withCollectionNames(List.of(collectionName))// 设置刷新操作的集合名称.build());}}}5. 创建RagController.javapackagecom.example.springairagwithadvisor.controller;importorg.springframework.ai.chat.client.ChatClient;importorg.springframework.ai.chat.client.advisor.vectorstore.QuestionAnswerAdvisor;importorg.springframework.ai.rag.advisor.RetrievalAugmentationAdvisor;importorg.springframework.beans.factory.annotation.Autowired;importorg.springframework.web.bind.annotation.GetMapping;importorg.springframework.web.bind.annotation.RequestMapping;importorg.springframework.web.bind.annotation.RequestParam;importorg.springframework.web.bind.annotation.RestController;importjava.util.List;RestControllerRequestMapping(/ai)publicclassRagController{AutowiredprivateChatClientchatClient;AutowiredprivateQuestionAnswerAdvisorqaAdvisor;AutowiredprivateRetrievalAugmentationAdvisorragAdvisor;GetMapping(/chat1)publicStringask1(RequestParamStringmessage){returnchatClient.prompt().user(message)//设置使用 QuestionAnswerAdvisor.advisors(List.of(qaAdvisor)).call().content();}GetMapping(/chat2)publicStringask2(RequestParamStringmessage){returnchatClient.prompt().user(message)//设置使用 RetrievalAugmentationAdvisor.advisors(List.of(ragAdvisor)).call().content();}}6. 启动Milvus在linux node2 节点启动Milvus#进入 milvus目录cd/software/milvus#启动 Milvusdockercompose up-d7. 启动项目并测试启动SpringAiRAGWithAdvisor项目运行主应用类SpringAiragWithAdvisorApplication.java启动该项目。在浏览器中输入如下内容进行测试# http://localhost:8080/ai/chat1?messageMilvus是什么 Milvus是一款高性能向量数据库。 # http://localhost:8080/ai/chat1?message今天天气如何 抱歉我不清楚这个问题。 # http://localhost:8080/ai/chat2?messageSpring AI是什么 Spring AI 是一个开源 AI 集成项目。 # http://localhost:8080/ai/chat2?message今天天气如何 抱歉我不清楚这个问题。