企业官网建设流程全解析

RAG（检索增强生成）：

1. 把你的文档（PDF/Word/TXT/Excel）切成一段段
2. 转成向量（Embedding）
3. 存在向量库
4. 用户提问时，先去向量库里检索相关内容
5. 把检索到的内容丢给 AI，让 AI 只根据你的资料回答

准备

一、先拿 通义千问 API 信息

打开：https://dashscope.console.aliyun.com/
左侧 API-KEY 管理 → 创建并复制API-KEY
通义的 Embedding 模型名固定：

text-embedding-v1

通义的 接口地址固定：

https://dashscope.aliyuncs.com/compatible-mode/v1

二、准备文本信息

新建文件：info.txt

公司名称：科技有限公司 成立时间：2025年 员工人数：50人 主营业务：AI软件开发、智能系统集成 创始人：张三

入门版RAG

手动拼接提示词、手动处理向量、手动检索

DEMO

pom

<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <!-- 使用 Spring Boot 父项目，自动管理版本 --> <parent> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-parent</artifactId> <version>3.2.5</version> <relativePath/> </parent> <groupId>org.example</groupId> <artifactId>langchain4j-demo</artifactId> <version>1.0-SNAPSHOT</version> <properties> <java.version>17</java.version> <maven.compiler.source>${java.version}</maven.compiler.source> <maven.compiler.target>${java.version}</maven.compiler.target> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> <langchain4j.version>1.3.0</langchain4j.version> </properties> <dependencies> <!-- 1. Spring Boot 核心依赖 --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter</artifactId> </dependency> <!-- 2. LangChain4j 核心依赖 --> <dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j</artifactId> </dependency> <!-- 3. OpenAI 适配依赖 --> <dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j-open-ai</artifactId> </dependency> <!-- 4. 流式依赖 --> <dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j-reactor</artifactId> </dependency> </dependencies> <dependencyManagement> <dependencies> <dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j-bom</artifactId> <version>${langchain4j.version}</version> <type>pom</type> <scope>import</scope> </dependency> </dependencies> </dependencyManagement> <build> <plugins> <!-- Spring Boot 打包插件 --> <plugin> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-maven-plugin</artifactId> </plugin> </plugins> </build> </project>

实现

package org.deepseek.demo09; // ==================== 基础依赖 ==================== // 文档对象，代表一个完整的文件 import dev.langchain4j.data.document.Document; // 文件加载器，用于从本地磁盘读取文件 import dev.langchain4j.data.document.loader.FileSystemDocumentLoader; // 文档切分工具，把大文件切成小段 import dev.langchain4j.data.document.splitter.DocumentSplitters; // 向量对象，存储文本的向量表示 import dev.langchain4j.data.embedding.Embedding; // 文本片段，切分后的每一小段文本 import dev.langchain4j.data.segment.TextSegment; // ==================== 模型依赖 ==================== // 对话模型接口 import dev.langchain4j.model.chat.ChatModel; // 向量生成模型接口 import dev.langchain4j.model.embedding.EmbeddingModel; // DeepSeek 对话模型（OpenAI 兼容格式） import dev.langchain4j.model.openai.OpenAiChatModel; // 通义千问 向量模型（OpenAI 兼容格式） import dev.langchain4j.model.openai.OpenAiEmbeddingModel; // ==================== 向量库依赖 ==================== // 向量匹配结果，包含匹配到的文本和分数 import dev.langchain4j.store.embedding.EmbeddingMatch; // 向量搜索请求，构建搜索的参数 import dev.langchain4j.store.embedding.EmbeddingSearchRequest; // 向量库顶层接口 import dev.langchain4j.store.embedding.EmbeddingStore; // 内存版向量库（重启消失，适合学习） import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore; import java.util.List; /** * 【RAG 入门版】 * 功能：读取本地 info.txt 文件，构建知识库，根据文档内容准确回答问题 * 解决：AI 胡说八道、无法回答私有数据问题 */ public class SimpleRAGDemo { public static void main(String[] args) { // ==================== 步骤 1：初始化 对话模型（DeepSeek） ==================== // 作用：负责理解问题 + 整理资料 + 生成最终回答 ChatModel chatModel = OpenAiChatModel.builder() .apiKey("sk-xxxxxxxxxxxxx") // 你的 API Key .baseUrl("https://api.deepseek.com") // DeepSeek 接口地址 .modelName("deepseek-chat") // 对话模型名称 .temperature(0.1) // 温度越低，回答越严谨、稳定 .build(); // ==================== 步骤 2：初始化 向量模型（通义千问 Embedding） ==================== // 作用：把【文本】转换成【向量】，让计算机能理解语义、做相似度匹配 EmbeddingModel embeddingModel = OpenAiEmbeddingModel.builder() .apiKey("sk-xxxxxxxxxxxx") // 阿里云 API Key .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1") // 通义兼容接口 .modelName("text-embedding-v1") // 通义向量模型（固定） .build(); // ==================== 步骤 3：加载本地文档 ==================== // 从本地磁盘读取 txt 文件，封装成 Document 对象 Document document = FileSystemDocumentLoader.loadDocument("D:\\Project\\public\\langchain4j\\demo\\info.txt"); // ==================== 步骤 4：文档切分（核心！） ==================== // 为什么要切分？ // 1. 大模型有输入长度限制 // 2. 检索更精准 // 3. 向量计算更快 var splitter = DocumentSplitters.recursive(300, 50); // 300：每一段最大长度 // 50：段落重叠长度（防止语义被切断） List<TextSegment> segments = splitter.split(document); // ==================== 步骤 5：初始化向量库 ==================== // 内存向量库：学习用，重启项目数据消失 // 生产环境建议使用：Redis / Milvus / Chroma / Qdrant EmbeddingStore<TextSegment> embeddingStore = new InMemoryEmbeddingStore<>(); // ==================== 步骤 6：批量生成向量并存入向量库 ==================== // 把所有文本片段 → 转换成向量 List<Embedding> embeddings = embeddingModel.embedAll(segments).content(); // 把【向量】和【对应的文本】一起存入向量库 embeddingStore.addAll(embeddings, segments); // ==================== 步骤 7：用户提问 → 生成查询向量 ==================== String question = "公司创始人是谁？"; // 把问题也变成向量，才能去向量库做“语义匹配” Embedding queryEmbedding = embeddingModel.embed(question).content(); // ==================== 步骤 8：向量库检索（最核心） ==================== // 构建搜索请求 EmbeddingSearchRequest request = EmbeddingSearchRequest.builder() .queryEmbedding(queryEmbedding) // 查询向量 .maxResults(3) // 最多返回 3 条最相关的片段 .build(); // 执行搜索：根据向量相似度，找到最相关的文本片段 var result = embeddingStore.search(request); List<EmbeddingMatch<TextSegment>> matches = result.matches(); // ==================== 步骤 9：拼接检索到的内容 ==================== StringBuilder context = new StringBuilder(); for (EmbeddingMatch<TextSegment> match : matches) { TextSegment segment = match.embedded(); if (segment != null) { context.append(segment.text()).append("\n"); } } // ==================== 步骤 10：交给 AI，生成最终回答 ==================== // 提示词：强制 AI 只根据资料回答，禁止编造 String prompt = """ 请根据资料回答，不要编造。 资料：%s 问题：公司创始人是谁？ """.formatted(context); // AI 生成回答 String answer = chatModel.chat(prompt); System.out.println("AI 回答：" + answer); } }

知识点

1. 什么是 RAG？

RAG = Retrieval Augmented Generation
检索增强生成。
作用：

1. 让 AI 只能根据你提供的文档回答
2. 解决 AI 胡说八道 问题
3. 让 AI 能使用私有数据、内部文档

2. RAG 执行流程

1. 加载文档（txt/pdf/word）
2. 切分文档（split）
3. 向量化（embedding）
4. 存入向量库
5. 用户提问
6. 问题向量化
7. 检索相关片段
8. 拼接上下文
9. 交给大模型回答

3. 什么是 Embedding（向量）？

把文字变成 一串数字
语义相似的文本，向量距离更近
是 RAG 能 “语义检索” 的基础

4. 为什么要切分文档？

大模型有最大输入长度
太长的文本向量会丢失信息
切分后检索更精准
切分参数：
maxSegmentSize：片段长度
overlapSize：重叠长度（防止切断语义）

5. 向量库是什么？

专门存储向量、提供相似度检索的数据库。
学习用：
InMemoryEmbeddingStore（内存）
生产用：
Redis、Milvus、Qdrant、Chroma

6. 检索原理

用户问题向量 → 去库中匹配 最相似的文本向量
不是关键词匹配，是语义匹配！

7. 为什么要用混合模型？

deepseek-chat：擅长对话、推理、总结
text-embedding-v1：擅长中文向量
LangChain4j 支持任意模型混用

8.提示词工程

请根据资料回答，不要编造。 资料：xxx 问题：xxx

作用：强制 AI 不能瞎编。

9. 温度参数（temperature）

0.1 ~ 0.3：RAG 专用，严谨、事实准确
0.7 ~ 1.0：创意写作、发散思考

10. 企业 RAG 优化方向

更好的切分策略
更好的 Embedding 模型
加入关键词混合检索
加入重排（Rerank）
加入会话记忆
加入元数据过滤

AiServices 优雅版 RAG

AiServices = 自动帮你做：检索 + 提示词拼接 + 对话 + 记忆

1. 接收问题
2. 自动去向量库检索
3. 自动拼接提示词
4. 自动调用大模型
5. 自动返回结果

DEMO

1. 接口

package org.deepseek.demo10; import dev.langchain4j.service.SystemMessage; public interface CompanyAssistant { @SystemMessage("你是公司智能助手，请严格根据提供的资料回答问题，绝对不能编造信息") String ask(String question); }

2. 实现

package org.deepseek.demo10; import dev.langchain4j.data.document.Document; import dev.langchain4j.data.document.loader.FileSystemDocumentLoader; import dev.langchain4j.data.document.splitter.DocumentSplitters; import dev.langchain4j.data.segment.TextSegment; import dev.langchain4j.memory.chat.MessageWindowChatMemory; import dev.langchain4j.model.chat.ChatModel; import dev.langchain4j.model.embedding.EmbeddingModel; import dev.langchain4j.model.openai.OpenAiChatModel; import dev.langchain4j.model.openai.OpenAiEmbeddingModel; import dev.langchain4j.rag.content.retriever.ContentRetriever; import dev.langchain4j.rag.content.retriever.EmbeddingStoreContentRetriever; import dev.langchain4j.service.AiServices; import dev.langchain4j.store.embedding.EmbeddingStore; import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore; import java.util.List; /** * 【 AiServices 优雅版 RAG】 * 企业标准写法：自动检索 + 自动提示 + 自动回答 */ public class AiServicesRAGDemo { public static void main(String[] args) { // ========================= 1. 配置对话模型（DeepSeek） ========================= ChatModel chatModel = OpenAiChatModel.builder() .apiKey("sk-xxxxxxxxxxxxxx") .baseUrl("https://api.deepseek.com") .modelName("deepseek-chat") .temperature(0.1) .build(); // ========================= 2. 配置向量模型（通义千问） ========================= EmbeddingModel embeddingModel = OpenAiEmbeddingModel.builder() .apiKey("sk-xxxxxxxxxxxxxxxxx") .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1") .modelName("text-embedding-v1") .build(); // ========================= 3. 加载并向量化文档（只执行一次！） ========================= Document document = FileSystemDocumentLoader.loadDocument("D:\\Project\\public\\langchain4j\\demo\\info.txt"); List<TextSegment> segments = DocumentSplitters.recursive(300, 50).split(document); EmbeddingStore<TextSegment> embeddingStore = new InMemoryEmbeddingStore<>(); embeddingStore.addAll(embeddingModel.embedAll(segments).content(), segments); // ========================= 4. 构建检索器 ========================= ContentRetriever contentRetriever = EmbeddingStoreContentRetriever.builder() .embeddingStore(embeddingStore) .embeddingModel(embeddingModel) .maxResults(3) .build(); // ========================= 5. 自动创建 AI 助手（自动集成 RAG） ========================= CompanyAssistant assistant = AiServices.builder(CompanyAssistant.class) .chatModel(chatModel) .contentRetriever(contentRetriever) // 自动 RAG .chatMemory(MessageWindowChatMemory.withMaxMessages(10)) // 自动记忆 .build(); // ========================= 7. 直接提问！RAG 全自动执行 ========================= String answer = assistant.ask("公司创始人是谁？"); System.out.println("AI 回答：" + answer); } }

知识点

1. AiServices 是什么？

LangChain4j 核心大脑
动态代理生成 AI 实现类
自动整合：模型、RAG、记忆、工具

2. ContentRetriever 作用

封装所有检索逻辑
对接向量库
给 AiServices 提供检索能力

3. @SystemMessage 作用

设定 AI 角色
约束行为
RAG 必须加：禁止编造

4. 为什么这种写法更强？

代码量减少 70%
不用处理向量、Embedding、TextSegment
不用处理空指针
不用拼接提示词
支持流式输出、多轮对话、工具调用