使用 Spring Cloud Alibaba AI 构建 RAG 应用
作者：姬世文
背景介绍
RAG（Retrieval Augmented Generation）
检索增强生成（RAG）是一种用于将数据与人工智能模型集成的技术。在 RAG 工作流程中，第一步将文档数据加载到矢量数据库（例如 Redis）中。当收到用户查询时，矢量数据库会检索一组与该查询相似的文档。然后，这些文档数据充当用户问题的上下文，并与用户的查询结合使用生成响应（通常通过 LLM 模型）。
在此示例中，我们将使用包含啤酒信息的数据集，包括名称、酒精体积（ABV）、国际苦度单位（IBU）等属性以及每种啤酒的描述。该数据集将加载到 Redis 中，之后通过 Spring Cloud Alibaba AI Starter 构建 Spring 项目，以演示 RAG 应用的工作流程。
Redis 矢量数据库
矢量数据库经常充当人工智能应用程序的内存。对于那些由大型语言模型（LLM）支持的人来说尤其如此。矢量数据库允许语义搜索，这为 LLM 提供了相关上下文。Spring AI 项目旨在简化人工智能驱动的应用程序的开发，包括矢量数据库的应用。
代码和依赖关系
您可以在 SCA 的官方博客中找到此示例源码链接：sca.aliyun.com
此示例 example 使用 Spring Cloud Alibaba AI 和 Spring AI Redis，用 Sping Web 构建 Web 应用程序。
数据加载
RAG 应用使用的数据由 JSON 文档组成，文档内容如下：
{
"id": "00gkb9",
"name": "Smoked Porter Ale",
"description": "The Porter Pounder Smoked Porter is a dark rich flavored ale that is made with 5 malts that include smoked and chocolate roasted malts. It has coffee and mocha notes that create a long finish that ends clean with the use of just a bit of dry hopping",
"abv": 8,
"ibu": 36
}
在此示例中，我们通过 RagDataLoader 类将数据插入到 Redis 中。
RAG 应用
RAGService 类在收到用户提示时，将会调用检索方法，执行以下步骤：
- 计算用户提示的向量
- 查询 Redis 数据库以检索最相关的文档
- 使用检索到的文档和用户提示构建提示
- 调用 ChatClient 并提示生成响应
调用示例
我们可以通过浏览器或者 curl 命令的方式调用 web api 接口，来获得 RAG 应用的输出。默认的 prompt 参数：What ber pairs well with smoked meats?
curl $ curl http://127.0.0.1:8081/rag/chat
# 如果一切正常，您将看到如下响应：
Bieré De Ménage would pair well with smoked meats due to its high ABV (8%) and potentially the influence of oak barrels from the winemaking process, which can complement the rich fla
vors of smoked dishes. However, if you prefer a sturdier stout, Son of Berserker Stout with its 6.9% ABV and 20 IBUs could also serve as a good match for smoked foods, especially since it's a substantial stout without additional complexities like bourbon or oak.
如果您使用浏览器调用，将看到以下内容：
在此示例中，将 Spring Cloud Alibaba AI 与 Redis 向量存储，仅通过几个类实现了 RAG 应用。欢迎您试用 Spring Cloud Alibaba AI Starter，如果有任何问题，您可以通过 Issue 的方式与我们联系。
也欢迎通过钉钉搜索群号加入社区钉群。（群号：64485010179）
