轻松入门SpringAI-SpringAI实现RAG-酒店常州论坛

轻松入门 Spring AI · RAG（Retrieval-Augmented Generation）实现
（2026年主流实用写法 · 从最简单到生产可用）

RAG 是目前使用大模型最常见、最有效的增强方式之一：
让模型“先查资料，再回答”，大幅降低幻觉，提高答案准确性。

Spring AI 中 RAG 的几种主流实现难度对比（2026年初）

难度	实现方式	向量存储类型	上手时间	生产可用性	推荐场景
★☆☆	内存版（SimpleVectorStore）	内存	5~15分钟	★☆☆	学习、Demo、快速验证
★★☆	文件+PGVector	PostgreSQL + pgvector	1~3小时	★★★★	小型到中型项目、性价比高
★★★	Chroma / Milvus / Redis	专用向量数据库	3~8小时	★★★★★	中大型项目、分布式、高并发
★★★★	Elasticsearch / Weaviate	搜索+向量混合	6~15小时	★★★★★	已有ES集群、企业级

最推荐的入门组合（2026年最常用）

学习/快速上手首选：
Spring AI 1.0.x + SimpleVectorStore（内存） + OpenAI/DeepSeek/通义千问兼容接口

方式一：最简单内存版 RAG（5分钟能跑通）

@RestController@RequestMapping("/rag/easy")@RequiredArgsConstructorpublicclassEasyRagController{privatefinalChatClientchatClient;privatefinalEmbeddingModelembeddingModel;// 自动注入，通常跟随你选择的模型// 内存向量存储（项目重启就清空，适合学习）privatefinalVectorStorevectorStore=newSimpleVectorStore(embeddingModel);// 启动时自动加载知识（实际项目中可以做成定时任务/管理接口）@PostConstructpublicvoidinitKnowledge(){List<String>rawTexts=List.of("Spring AI 是 Spring 家族 2024~2025 年推出的官方大模型集成框架。","ChatClient 是最核心的高层抽象，类似以前的 RestTemplate。","目前最受欢迎的国内模型组合：DeepSeek-R1（推理）、DeepSeek-V3（综合）、通义千问-max（稳定）。","RAG 全称 Retrieval-Augmented Generation，中文叫检索增强生成。","好的 RAG 系统关键在于：高质量的切分、分块、Embedding、检索召回、上下文构建。");List<Document>documents=rawTexts.stream().map(text->Document.builder().content(text).metadata(Map.of("source","spring-ai-rag-intro","type","tutorial")).build()).toList();vectorStore.add(documents);}@GetMapping("/ask")publicStringaskQuestion(@RequestParamStringquestion){// 1. 检索最相似的 TopK 文档List<Document>similarDocs=vectorStore.similaritySearch(SearchRequest.query(question).withTopK(4)// 召回几条.withSimilarityThreshold(0.68)// 相似度阈值，可调);// 2. 构建上下文（最简单拼接方式）Stringcontext=similarDocs.stream().map(doc->doc.getContent()).collect(Collectors.joining("\n\n---\n\n"));// 3. 带上下文提问returnchatClient.prompt().system(""" 你现在是一位基于给定上下文回答问题的专家助手。 只使用下面提供的上下文信息来回答问题。 如果上下文里没有相关信息，就诚实地说不知道，不要编造。 上下文： {context} """).user(question).advisors(PromptTemplate.from("{context}").withVariable("context",context)).call().content();}}

测试例子
http://localhost:8080/rag/easy/ask?question=什么是RAG？它有什么关键点？

方式二：更接近生产的 PGVector 版（推荐小项目使用）

依赖

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-pgvector-store-spring-boot-starter</artifactId></dependency><dependency><groupId>org.postgresql</groupId><artifactId>postgresql</artifactId><scope>runtime</scope></dependency>

application.yml 配置示例

spring:ai:vectorstore:pgvector:initialize-schema:true# 第一次启动时自动建表index-type:HNSW# 或 IVFFlatdimensions:1536# 跟你的 embedding model 维度一致（text-embedding-3-small=1536）distance-type:COSINE# 余弦最常用datasource:url:jdbc:postgresql://localhost:5432/ragdbusername:postgrespassword:yourpassword

代码基本相同，只改 VectorStore 注入方式

@AutowiredprivateVectorStorevectorStore;// 会自动注入 PgVectorStore

其他使用方式几乎不变。

目前（2026年1月）推荐的 Embedding 模型选择

模型	维度	中文效果	速度	价格/本地	推荐度
text-embedding-3-small (OpenAI)	1536	★★★★	★★★★	付费	★★★★
bge-m3 (BAAI)	1024	★★★★★	★★★	免费/本地	★★★★★
text-embedding-ada-002	1536	★★★	★★★★★	便宜	★★★
moka-ai/m3e-base	768	★★★★☆	★★★★	本地免费	★★★★
GTE-large-zh (Alibaba-NLP)	1024	★★★★★	★★★	本地/云	★★★★½