小汉同学 - AI 超级智能体教程 - 4 - RAG 知识库基础 笔记

扩展思路

1）利用 RAG 知识库，实现 “通过用户的问题推荐可能的恋爱对象” 功能。✅

参考思路：新建一个恋爱对象文档，每行数据包含一位用户的基本信息（比如年龄、星座、职业）。

1. 使用 AI 生成一份恋爱对象文档

▼
java
复制代码
# 缘分候选人档案 💕 (扩展版)

欢迎来到我们的“缘分候选人档案”！在这里，我们精心挑选并记录了一些优秀单身人士的基本信息、兴趣爱好以及他们对未来伴侣的期许。希望这份档案能帮助你找到那个让你心动的人。

---

## 候选人 001: 追风的少年

*   **昵称**: 追风的少年
*   **性别**: 男
*   **年龄**: 28
*   **星座**: 射手座 ♐
*   **职业**: 软件工程师 (专注于人工智能领域)
*   **城市**: 北京
*   **身高**: 180cm
*   **学历**: 硕士
*   **兴趣爱好**:
    *   户外运动：登山、公路骑行、周末露营
    *   科技探索：关注最新的科技动态，喜欢捣鼓各种新奇数码产品
    *   摄影：尤其喜欢风光摄影和街头人文
    *   阅读：科幻小说、历史传记
*   **性格标签**: #开朗阳光 #幽默风趣 #逻辑思维强 #有责任心 #热爱生活
*   **一句话自我介绍**: “用代码构建虚拟世界，也渴望在现实中与你一起探索未知的美好。”
*   **对另一半的期待**:
    *   希望她是一个热爱生活、有自己兴趣爱好的女生。
    *   能够一起分享生活中的点滴，无论是快乐还是挑战。
    *   性格独立，有自己的想法，但也懂得沟通和体谅。
    *   最好也喜欢户外或者愿意尝试新鲜事物。
*   **理想的约会**: 一起去一个陌生的城市探险，或者在山顶看一次日出。

---

## 候选人 002: 文艺小花

*   **昵称**: 文艺小花
*   **性别**: 女
*   **年龄**: 25
*   **星座**: 双鱼座 ♓
*   **职业**: 自由撰稿人 / 兼职咖啡师
*   **城市**: 上海
*   **身高**: 165cm
*   **学历**: 本科 (汉语言文学专业)
*   **兴趣爱好**:
    *   文学艺术：阅读各类小说诗歌，逛美术馆、看话剧
    *   手作：喜欢做手账、烘焙、偶尔画点小插画
    *   咖啡文化：对精品咖啡有浓厚兴趣，喜欢探访特色咖啡店
    *   电影：偏爱文艺片和经典老电影
*   **性格标签**: #温柔细腻 #文艺清新 #有点慢热 #共情能力强 #内心世界丰富
*   **一句话自我介绍**: “在文字和咖啡香气中寻找生活的小确幸，期待与你共享这份宁静与美好。”
*   **对另一半的期待**:
    *   希望他是一个有深度、能进行灵魂交流的人。
    *   懂得欣赏生活中的细节之美，有相似的审美情趣。
    *   性格成熟稳重，能给予包容和理解。
    *   不一定要非常外向，但内心要阳光。
*   **理想的约会**: 在一个安静的午后，一起窝在沙发上看一部老电影，或者在一家有格调的书店咖啡馆聊聊天。

---

## 候选人 012: 治愈系暖男

*   **昵称**: 治愈系暖男
*   **性别**: 男
*   **年龄**: 29
*   **星座**: 双鱼座 ♓
*   **职业**: 心理咨询师
*   **城市**: 杭州
*   **身高**: 176cm
*   **学历**: 心理学硕士
*   **兴趣爱好**:
    *   冥想与正念：保持内心的平和与专注
    *   乐器演奏：尤克里里、民谣吉他
    *   写作：诗歌、散文，记录生活感悟
    *   公益活动：在动物收容所做义工，关爱流浪动物
    *   自然漫步：喜欢在公园或山林中散步，感受自然气息
*   **性格标签**: #温柔体贴 #善于倾听 #共情能力强 #平和宁静 #有爱心
*   **一句话自我介绍**: “倾听内心的声音，疗愈生活的疲惫，希望能成为你温暖的港湾。”
*   **对另一半的期待**:
    *   希望她是一个善良、有同理心，注重精神世界的人。
    *   能够理解并尊重我的职业，愿意一起探讨心灵成长的话题。
    *   享受宁静平和的生活，也愿意一起做一些有意义的小事。
*   **理想的约会**: 在一个安静的午后，一起在公园的长椅上晒太阳聊天，或者一起去参加一次公益活动，用行动传递温暖。

---

## 候选人 013: 环球探险家

*   **昵称**: 环球探险家
*   **性别**: 女
*   **年龄**: 33
*   **星座**: 射手座 ♐
*   **职业**: 旅行博主 / 自由摄影师 / 兼职翻译
*   **城市**: (常驻厦门，但大部分时间在路上)
*   **身高**: 166cm
*   **学历**: 本科 (外国语言文学)
*   **兴趣爱好**:
    *   深度旅行：背包探索世界各地，体验不同文化
    *   语言学习：能流利使用多种语言，并持续学习新语言
    *   极限运动：徒步、攀岩、滑翔伞等
    *   写作与摄影：记录旅途中的所见所闻所感
    *   品尝异国美食：认为食物是了解文化的重要途径
*   **性格标签**: #勇敢无畏 #独立自主 #适应力超强 #充满好奇 #乐观开朗
*   **一句话自我介绍**: “世界那么大，我想去看看，更想和你一起去看看。”
*   **对另一半的期待**:
    *   希望他是一个同样热爱冒险，勇于尝试新事物的人。
    *   独立、有主见，能够适应并享受旅途中的不确定性。
    *   能成为我旅途中的好伙伴，也能在平凡日子里共同经营生活。
*   **理想的约会**: 一起规划下一次的冒险旅程，或者在某个异国小镇的市场里手牵手闲逛，品尝当地小吃。

---

## 候选人 014: 代码艺术家

*   **昵称**: 代码艺术家
*   **性别**: 男
*   **年龄**: 26
*   **星座**: 处女座 ♍
*   **职业**: 独立游戏开发者
*   **城市**: 武汉
*   **身高**: 172cm
*   **学历**: 本科 (计算机科学)
*   **兴趣爱好**:
    *   游戏设计与开发：从像素画到代码实现，乐在其中
    *   玩游戏：各类游戏均有涉猎，尤其偏爱独立游戏和RPG
    *   科幻与奇幻文学：构建宏大世界观的灵感来源
    *   桌游与跑团：享受与朋友面对面互动的乐趣
    *   偶尔研究烹饪：把做菜也当成一种创造
*   **性格标签**: #富有创造力 #注重细节 #逻辑性强 #有点宅 #闷骚但有趣
*   **一句话自我介绍**: “在0和1的世界里创造奇迹，期待在现实中与你共同谱写浪漫的篇章。”
*   **对另一半的期待**:
    *   希望她是一个能够欣赏我的创造力，理解或对游戏开发有兴趣的人。
    *   能和我一起享受安静的居家时光，偶尔也能一起玩玩游戏。
    *   有自己的爱好和追求，能够彼此独立又相互支持。
*   **理想的约会**: 一起通关一款期待已久的合作类游戏，或者去参加一个游戏开发者沙龙，结束后讨论彼此的创意。

---
......(我生成了20个候选者)

2. 上传到百炼平台
3. 使用对应的代码进行调用

▼
java
复制代码
package com.xiaoh.haiagent.rag.config;

import com.alibaba.cloud.ai.dashscope.api.DashScopeApi;
import com.alibaba.cloud.ai.dashscope.rag.DashScopeDocumentRetriever;
import com.alibaba.cloud.ai.dashscope.rag.DashScopeDocumentRetrieverOptions;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.chat.client.advisor.RetrievalAugmentationAdvisor;
import org.springframework.ai.chat.client.advisor.api.Advisor;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.context.annotation.Configuration;
import org.springframework.util.StringUtils;

/**
 * @author: xiaohan
 * @dataTime: 2025/5/12 16:06
 * @desc:
 */
@Configuration
@Slf4j
public class LoveAppRagCloudAdvisorConfig {

    @Value("${myai.api-key.dashscope}")
    private String dashScopeApiKey;

    public Advisor loveAppRagCloudAdvisor(String indexName) {
        log.info("使用 {} 知识库", indexName);
        if (!StringUtils.hasText(indexName)) {
            log.error("未传入相关知识库名称");
            throw new RuntimeException(indexName + " 知识库不存在");
        }
        DashScopeApi dashScopeApi = new DashScopeApi(dashScopeApiKey);
        DashScopeDocumentRetriever dashScopeDocumentRetriever = new DashScopeDocumentRetriever(dashScopeApi,
                DashScopeDocumentRetrieverOptions
                        .builder().withIndexName(indexName)
                        .build());
        return RetrievalAugmentationAdvisor.builder()
                .documentRetriever(dashScopeDocumentRetriever)
                .build();
    }
}

4. 在 LoveApp 中写入调用方法

▼
java
复制代码
@Resource
private LoveAppRagCloudAdvisorConfig loveAppRagCloudAdvisorConfig;

public String doChatWithRagCloud(String message, String chatId, String indexName) {
    Advisor ragCloudAdvisor = loveAppRagCloudAdvisorConfig.loveAppRagCloudAdvisor(indexName);
    ChatResponse chatResponse = chatClient.prompt()
            .user(message)
            .system("你是一位恋爱大师")
            .advisors(
                    spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId)
                            .param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)
            )
            // 使用知识库进行增强
            .advisors(ragCloudAdvisor)
            .call()
            .chatResponse();
    String text = chatResponse.getResult().getOutput().getText();
    log.info("AI 响应：{}", text);
    return text;
}

5. 在测试类中测试

▼
java
复制代码
@Test
void doChatWithRagCloudForObject() {
    // 数据库中的会话id
    String chatId = "doChatWithRagCloudForObject";
    String question = """
            我是一名大学生且java程序员，22岁，处女座，想谈对象，但是没有找到合适的。
            希望她是甜甜的，可爱的，同时可以帮我写代码，像鱼皮一样（狗头）
            """;
    String indexName = "AI学习项目-恋爱知识";
    loveApp.doChatWithRagCloud(question, chatId, indexName);
}

/*
内容有点多，就只看AI回答了（我不是男同）（狗头）
2025-05-12T16:52:13.824+08:00  INFO 24996 --- [AI智能体学习项目] [           main] com.xiaoh.haiagent.app.LoveApp           : 
AI 响应：根据你的要求，希望对方是甜甜的、可爱的，还能帮你写代码。从档案中看，候选人014代码艺术家虽然是男的，但符合帮你写代码这个技能，
其他候选人没有特别匹配甜甜可爱又能写代码的特征。不过建议你扩大对另一半的想象，或许一个热爱音乐或旅行的女孩也能带给你不一样的恋爱体验。
如果一定想要 coding partner，可以多参加技术类社交活动，比如黑客松或者技术沙龙，说不定能遇到心仪的女生哦。
*/

本节作业

1）理解 RAG 的工作流程和原理 ✅

自我描述：

• RAG 即检索（retrieval）增强（augmented）生成（generation）
• 大致流程：先把文档收集处理好，给嵌入大模型进行量化切片等等操作，然后就得到一个知识库了。在后面的回答中，我们可以把用户的问题进行量化，通过量化值去知识库（量化数据库）中查找，获得相关性靠前的数据（可以设置相关性大小），然后可以再进行精排序，提供准确度。最后整合用户问题+知识库相关内容+优化提示词一起给大模型，让它回答问题。

2）实战基于 Spring AI + 本地知识库实现 RAG ✅

1. 使用 MarkdownDocumentReader + MarkdownDocumentReaderConfig读取本地文件

▼
java
复制代码
package com.xiaoh.haiagent.rag.reader;

import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.document.Document;
import org.springframework.ai.reader.markdown.MarkdownDocumentReader;
import org.springframework.ai.reader.markdown.config.MarkdownDocumentReaderConfig;
import org.springframework.core.io.Resource;
import org.springframework.core.io.support.ResourcePatternResolver;
import org.springframework.stereotype.Component;

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

/**
 * @author: xiaohan
 * @dataTime: 2025/5/12 14:41
 * @desc: 相关知识文件读取器
 */
@Component
@Slf4j
public class LoveAppDocumentReader {

    private final ResourcePatternResolver resourcePatternResolver;

    public LoveAppDocumentReader(ResourcePatternResolver resourcePatternResolver) {
        this.resourcePatternResolver = resourcePatternResolver;
    }

    public List<Document> loadMdFiles() {
        ArrayList<Document> documentList = new ArrayList<>();
        try {
            Resource[] resources = resourcePatternResolver.getResources("classpath:document/*.md");
            if (resources.length == 0) {
                log.info("在 classpath:document/ 目录下没有找到任何 .md 文件");
                return documentList;
            }
            for (Resource resource : resources) {
                // 自定义reader的行为
                MarkdownDocumentReaderConfig config = MarkdownDocumentReaderConfig.builder()
                        // 是否Markdown 中的水平分隔线将创建新的 Document 对象
                        .withHorizontalRuleCreateDocument(true)
                        // 是否代码块将和周围文本包含在同一个 Document 对象中
                        .withIncludeCodeBlock(false)
                        // 是否引用块将和周围文本包含在同一个 Document 对象中
                        .withIncludeBlockquote(false)
                        // 自定义元数据
                        .withAdditionalMetadata("filename", resource.getFilename())
                        .build();
                List<Document> documents = new MarkdownDocumentReader(resource, config).get();
                if (documents != null && !documents.isEmpty()) {
                    documentList.addAll(documents);
                } else {
                    log.warn("文件 {} 解析后没有生成任何文档内容", resource.getFilename());
                }
            }
        } catch (IOException e) {
            log.error("加载md文件失败", e);
        }
        return documentList;
    }
}

2. SimpleVectorStore 创建基于内存的向量库

▼
java
复制代码
package com.xiaoh.haiagent.rag.config;

import com.xiaoh.haiagent.rag.reader.LoveAppDocumentReader;
import jakarta.annotation.Resource;
import org.springframework.ai.embedding.EmbeddingModel;
import org.springframework.ai.vectorstore.SimpleVectorStore;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

/**
 * @author: xiaohan
 * @dataTime: 2025/5/12 15:07
 * @desc: 存储 知识文件通过大模型嵌入模型转换的向量
 */
@Configuration
public class LoveAppVectorStoreConfig {

    @Resource
    private LoveAppDocumentReader loveAppDocumentReader;

    @Bean
    public VectorStore loveAppVectorStore(EmbeddingModel dashscopeEmbeddingModel) {
        // 存储位置 protected Map<String, SimpleVectorStoreContent> store = new ConcurrentHashMap();
        SimpleVectorStore store = SimpleVectorStore.builder(dashscopeEmbeddingModel).build();
        store.add(loveAppDocumentReader.loadMdFiles());
        return store;
    }
}

3. 调用

▼
java
复制代码
// 使用内存RAG进行聊天
@Resource
private VectorStore loveAppVectorStore;

public String doChatWithRag(String message, String chatId) {
    ChatResponse chatResponse = chatClient.prompt()
            .user(message)
            .system("你是一位恋爱大师")
            .advisors(
                    spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId)
                            .param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)
            )
            // 使用知识库进行增强
            .advisors(new QuestionAnswerAdvisor(loveAppVectorStore))
            .call()
            .chatResponse();
    String text = chatResponse.getResult().getOutput().getText();
    log.info("AI 响应：{}", text);
    return text;
}

3）实战基于 Spring AI + 云知识库实现 RAG ✅

见上 LoveAppRagCloudAdvisorConfig类

个人总结

记忆一下这次用到的几个类（熟悉，熟悉，熟悉）

• SimpleVectorStore
• MarkdownDocumentReaderConfig
• MarkdownDocumentReader

最后

如上面有错误，麻烦小伙伴可以多多指教（💗💗💗）

感谢鱼总！