检索与生成的技术（RAG)，可以提升文本精准度与企业数据相关性
检索增强生成 (RAG) 是一种技术，它结合了检索模型和生成模型，旨在通过私有或专有的数据源来辅助文本生成。在使用大模型时，一个常见问题是模型可能会产生“幻觉”，即生成的信息可能与事实不符；此外，由于模型通常不包含企业的特定数据，其回答往往缺乏针对性和精确性。RAG 通过引入企业知识库中的信息作为上下文，使得生成的回答更加准确、相关且基于最新的企业数据，从而有效缓解了这些问题。
Spring AI Alibaba ：类似Spring cloud alibaba的Spring AI最佳实践
Spring AI Alibaba 是一个专为 Java 和 Spring Boot 生态系统设计的应用框架，旨在将 Spring 的设计理念应用到人工智能领域。
Spring ai 由 Spring 官方团队维护，确保了高质量和稳定性。
其核心优势在于提供了统一的接口来标准化不同AI提供商（如OpenAI、阿里云等）的服务接入方式，使开发者能够通过简单的配置切换不同的AI实现。
此外，Spring AI Alibaba 结合了阿里云的最佳实践，特别是与百炼平台的深度集成，支持多种生成式AI能力，包括对话、文生图、文生语音等功能，极大地简化了在Spring Boot项目中引入和使用AI功能的过程。
构建RAG后端服务：从PDF到智能对话
检索增强的后端代码编写
根据提供的我了解的信息，为了通过检索增强（RAG）的方式读取一个名为专家答疑文档.pdf的PDF文件、构建向量索引，并对外提供服务，我们需要遵循一定的步骤来完成环境准备与编码实现。首先确保你的开发环境满足以下要求：
- JDK版本：需在JDK 17或以上。
- Spring Boot版本：需要3.3.x或更高版本。
- 阿里云API Key获取：按照我了解的信息中的指引，在阿里云申请并记录下通义千问的API Key。
环境配置
配置仓库
由于Spring AI Alibaba当前使用的某些组件尚未正式发布到Maven中央仓库，你需要添加Spring官方维护的仓库到你的项目中：
<repositories><repository><id>sonatype-snapshots</id><url>https://oss.sonatype.org/content/repositories/snapshots</url><snapshots><enabled>true</enabled></snapshots></repository><repository><id>spring-milestones</id><name>Spring Milestones</name><url>https://repo.spring.io/milestone</url><snapshots><enabled>false</enabled></snapshots></repository><repository><id>spring-snapshots</id><name>Spring Snapshots</name><url>https://repo.spring.io/snapshot</url><releases><enabled>false</enabled></releases></repository></repositories>
添加依赖
接下来，添加必要的依赖项以支持RAG功能以及与阿里云大模型的交互：
<parent><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-parent</artifactId><version>3.3.4</version></parent><dependencies><dependency><groupId>com.alibaba.cloud.ai</groupId><artifactId>spring-ai-alibaba-starter</artifactId><version>1.0.0-M2</version></dependency><!-- 其他所需依赖 -->
</dependencies>
API Key配置
将从阿里云获得的API Key设置为环境变量或者直接在application.properties里指定：
spring.ai.dashscope.api-key=这里填写你的API KeyRAG服务实现
创建一个名为RagService的服务类，用于处理RAG相关的逻辑，包括初始化向量存储和文档检索器等：
public class RagService {private final ChatClient chatClient;private final VectorStore vectorStore;private final DashScopeApi dashscopeApi = new DashScopeApi("这里填写你的API Key");DocumentRetriever retriever;public RagService(ChatClient chatClient, EmbeddingModel embeddingModel) {this.chatClient = chatClient;vectorStore = new DashScopeCloudStore(dashscopeApi, new DashScopeStoreOptions("专家答疑库"));retriever = new DashScopeDocumentRetriever(dashscopeApi, DashScopeDocumentRetrieverOptions.builder().withIndexName("专家答疑库").build());}public String buildIndex() {String filePath = "专家答疑文档.doc";DocumentReader reader = new DashScopeDocumentCloudReader(filePath, dashscopeApi, null);List<Document> documentList = reader.get();vectorStore.add(documentList);return "SUCCESS";}public StreamResponseSpec queryWithDocumentRetrieval(String message) {StreamResponseSpec response = chatClient.prompt().user(message).advisors(new DocumentRetrievalAdvisor(retriever, DEFAULT_USER_TEXT_ADVISE)).stream();return response;}
}其中，DEFAULT_USER_TEXT_ADVISE应定义为包含{documents}占位符的字符串模板，以便后续替换实际文档内容。
控制器实现
最后，创建一个控制器类，公开/buildIndex和/steamChat两个接口，分别对应索引构建和服务请求：
@RestController
@RequestMapping("/ai")
public class RagController {private final RagService ragService;public RagController(RagService ragService) {this.ragService = ragService;}@GetMapping("/buildIndex")public String buildIndex() {return ragService.buildIndex();}@GetMapping("/steamChat")public Flux<String> steamChat(@RequestParam(value = "input", required = true) String input,HttpServletResponse httpResponse) {httpResponse.setCharacterEncoding("UTF-8");return ragService.queryWithDocumentRetrieval(input).content();}
}通过上述步骤，你已经成功搭建了一个基于Spring AI Alibaba框架的应用程序，它能够利用RAG技术从给定的PDF文件中提取信息，并通过指定的URL对外提供智能对话服务。记得首次启动应用时先访问http://localhost:8080/ai/buildIndex来构建索引，之后就可以正常调用聊天接口了。
流式数据处理：React构建实时聊天应用教程
检索增强的前端代码编写
分析问题的原因
要基于React构建一个简单的支持流输出（如flux<String>）的项目，首先需要确保后端接口能够以流的形式返回数据。本案例中给定的后端接口为http://localhost:8080/ai/steamChat?input=…，它应该已经配置好能够处理请求并返回流式响应。
在React前端部分，关键在于如何正确地读取这个流，并将获取到的信息实时展示给用户。根据我了解的信息中的内容，我们可以了解到如何创建基础的React应用框架以及如何通过Fetch API与后端交互来实现这一目标。特别地，对于流式响应，我们需要使用ReadableStream相关API来逐块接收数据，并即时更新UI。
构建并运行项目的步骤
由于我了解的信息提供了构建基本React项目的方法和所需代码，这里直接给出基于上述要求的具体实现步骤：
- 初始化新的React应用:
npx create-react-app frontend
cd frontend
npm install- 编辑公共HTML文件 (
public/index.html) 和入口JavaScript文件 (src/index.js)，这部分保持默认或按需修改即可。
- 开发主要组件 (
src/App.js和src/components/ChatComponent.js) 用于显示聊天界面及处理逻辑：
-
App.js主要是容器作用。
-
ChatComponent.js实现了输入消息、发送消息、清除消息的功能，特别是从服务器异步获取流数据的部分。
- 在
ChatComponent.js中实现对流的支持，参考如下代码片段：
// ... 其他import语句
function ChatComponent() {const [input, setInput] = useState('');const [messages, setMessages] = useState('');const handleSendMessage = async () => {try {const response = await fetch(`http://localhost:8080/ai/steamChat?input=${input}`);if (!response.ok) throw new Error('Network response was not ok');const reader = response.body.getReader();const decoder = new TextDecoder('utf-8');let done = false;while (!done) {const { value, done: isDone } = await reader.read();done = isDone;const chunk = decoder.decode(value, { stream: true });setMessages(prev => prev + chunk);}} catch (error) {console.error('Failed to fetch', error);}};// ...其他函数定义return (<div>{/* 输入框、按钮等元素 */}<pre>{messages}</pre> {/* 显示消息区域 */}</div>);
}export default ChatComponent;- 启动应用程序:
npm start对步骤的解释
- 步骤1至2是标准的新React项目搭建流程。
- 步骤3和4专注于聊天功能的实际实现。特别是，在处理来自服务器的流时，我们使用了
fetch发起HTTP请求，然后利用ReadableStream的getReader()方法读取流中的数据块，并通过TextDecoder将其转换成可读文本格式。每当收到新的数据块时，就更新状态变量messages，从而触发组件重新渲染，让用户看到最新的消息。
- 最后一步启动本地开发服务器，使你可以在浏览器中查看你的工作成果。