检索增强生成（RAG）是一种有助于克服大型语言模型局限性的技术，这些局限性主要体现在处理长篇内容、确保事实准确性以及保持上下文感知能力方面。
Spring AI 使用AdvisorAPI为常见的 RAG 流程提供开箱即用的支持。

一、简单理解流程

1、获取用户输入
2、将用户输入调用模型转成向量
3、根据向量去向量数据库查询相似的内容
4、一起把内容发送到大模型
5、返回结果

二、简单例子

向量数据库就用上节用的内存数据库

1、依赖

   <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-vector-store-advisor</artifactId>
        </dependency>

2、文档获取工具类

用来获取某个目录下面的文档

public class TxtDocumentLoader {
    /**
     * 静态工具方法，线程安全，无任何静态成员变量
     * @param dirPath 文件夹路径
     * @param chunkSize 分片字符数
     * @param chunkOverlap 重叠字符数
     * @return List<Document>
     */
    public static List<Document> loadFromDirectory(String dirPath, int chunkSize, int chunkOverlap) {
        if (chunkOverlap >= chunkSize) {
            throw new IllegalArgumentException("重叠长度不能大于等于分片长度");
        }
        List<Document> documentList = new ArrayList<>();
        File dir = new File(dirPath);
        if (!dir.exists() || !dir.isDirectory()) {
            return documentList;
        }
        File[] files = dir.listFiles((f, name) -> name.toLowerCase().endsWith(".txt"));
        if (files == null) {
            return documentList;
        }
        for (File file : files) {
            documentList.addAll(loadSingleTxt(file, chunkSize, chunkOverlap));
        }
        return documentList;
    }
    public static List<Document> loadSingleTxt(File txtFile, int chunkSize, int chunkOverlap) {
        List<Document> chunks = new ArrayList<>();
        String content;
        try {
            content = Files.readString(txtFile.toPath(), StandardCharsets.UTF_8);
        } catch (IOException e) {
            throw new RuntimeException("读取文件失败：" + txtFile.getAbsolutePath(), e);
        }
        if (!StringUtils.hasText(content)) {
            return chunks;
        }
        List<String> sliceTexts = splitText(content, chunkSize, chunkOverlap);
        for (int i = 0; i < sliceTexts.size(); i++) {
            Document doc = new Document(sliceTexts.get(i), Map.of(
                    "file_name", txtFile.getName(),
                    "file_path", txtFile.getAbsolutePath(),
                    "chunk_index", String.valueOf(i)
            ));
            chunks.add(doc);
        }
        return chunks;
    }
    private static List<String> splitText(String text, int chunkSize, int chunkOverlap) {
        List<String> result = new ArrayList<>();
        int start = 0;
        int len = text.length();
        while (start < len) {
            int end = Math.min(start + chunkSize, len);
            String chunk = text.substring(start, end);
            result.add(chunk);
            start = start + chunkSize - chunkOverlap;
        }
        return result;
    }
    // 重载：给默认值，方便快速调用
    public static List<Document> loadFromDirectory(String dirPath) {
        return loadFromDirectory(dirPath, 800, 150);
    }
}

2、简单使用

 //先将内容加入到向量数据库中
    @GetMapping("/addV")
    public String addV(){
        //加入向量数据库中
        List<Document> documents = TxtDocumentLoader.loadFromDirectory("C:\\Users\\86135\\Desktop\\text");
        vectorStore.doAdd(documents);
        return "ok";
    }
    @GetMapping("/getV")
    public List<Document> getV(String topic){
        //相似度查询
        List<Document> documents =  vectorStore.similaritySearch(
                SearchRequest.builder()
                        .query(topic)//要查询的结果
                        .topK(2)//最多返回两个
                        .build());
        return documents;
    }
   @GetMapping("/rag")
    public String rag(String topic){
        QuestionAnswerAdvisor questionAnswerAdvisor= QuestionAnswerAdvisor.builder(vectorStore)
                .searchRequest(SearchRequest.builder().
                        similarityThreshold(0.4d).//相似度阈值，越大越严格,太大要求太高了不一定能查到内容
                        topK(5).
                        build())
                .build();
        String result =  openaiChatClient
                .prompt()
                .user(u -> u.text("{topic}").param("topic",topic)) 
                .advisors(questionAnswerAdvisor)
                .call()
                .content();
        return result;
    }

先addV在/rag查询结果，如果没有查询到目标，有可能 similarityThreshold(0.4d)阈值设置的太高了。