你好我是fengxin_rou这是我的个人主页fengxin_rou的主页❄️欢迎查看我的专栏我的专栏《Java后端学习》、《JAVASE基础》、《JUC并发》、《redis》、《JVM虚拟机》、《MYSQL》、《黑马点评》、《rabbitmq》、《JavaWebAI的talis学习系统》、《苍穹外卖》目录前言一、项目基础配置Spring AI 对接 DeepSeek 大模型1.1 核心配置类设计1.2 配置要点说明二、AI 一键生成摘要文章描述自动生成2.1 功能逻辑2.2 核心实现代码2.3 关键参数解析三、RAG 索引构建私有知识向量化管理3.1 RAG 核心原理3.2 索引全流程3.3 索引服务核心逻辑3.4 指纹作用四、RAG 问答查询流式精准回答4.1 问答流程4.2 宽召回机制4.3 流式问答实现代码4.4 向量检索原理五、关键技术细节与优化建议5.1 Embedding 模型配置5.2 核心优化点结语前言在企业级知识管理场景中自动生成内容摘要与基于私有文档的精准问答是提升信息效率的核心需求。本文基于 Spring AI 框架整合 DeepSeek 大模型与向量数据库完整实现 AI 一键摘要与 RAG 检索增强生成功能覆盖配置、编码、索引、检索全流程兼顾入门与实战。一、项目基础配置Spring AI 对接 DeepSeek 大模型1.1 核心配置类设计大模型接入的关键是通过 Spring 依赖注入明确指定模型实现避免多模型注入冲突。Qualifier注解用于精准绑定 Bean确保ChatClient使用 DeepSeek 模型。/** * 大模型配置类定义ChatClient Bean并绑定DeepSeek模型 */ Configuration public class LlmConfig { /** * 创建ChatClient指定使用deepSeekChatModel */ Bean public ChatClient chatClient(Qualifier(deepSeekChatModel) ChatModel chatModel) { return ChatClient.builder(chatModel).build(); } }1.2 配置要点说明Configuration标记为配置类Spring 启动时加载。Bean将方法返回值注册为 Spring 容器中的 Bean。Qualifier解决多ChatModel实现注入歧义强制使用 DeepSeek 模型。该配置是后续所有 AI 能力的基础统一管理大模型调用入口降低业务层耦合。二、AI 一键生成摘要文章描述自动生成2.1 功能逻辑接收文章正文 → 拼接系统与用户提示词 → 调用 DeepSeek → 结果后处理 → 返回 50 字内精简描述。系统提示词定义 AI 角色与规则用户提示词传递具体任务二者结合保证输出规范。2.2 核心实现代码/** * AI生成知文摘要实现类 */ Service RequiredArgsConstructor public class KnowPostDescriptionServiceImpl implements KnowPostDescriptionService { private final ChatClient chatClient; /** * 生成不超过50字的中文描述 */ public String generateDescription(String content) { // 非空校验 if (content null || content.trim().isEmpty()) { throw new BusinessException(ErrorCode.BAD_REQUEST, 正文内容不能为空); } // 系统提示定义角色与输出规则 String system 你是中文文案编辑。请基于知文正文生成简洁有吸引力的描述不超过50字仅输出结果; // 用户提示传递待处理内容 String user 正文如下\n\n content \n\n请直接给出不超过50字的中文描述; try { // 调用大模型 String result chatClient.prompt() .system(system) .user(user) .options(DeepSeekChatOptions.builder() .model(deepseek-chat) // 指定模型 .temperature(0.8) // 创造性参数 .maxTokens(120) // 最大输出token .build()) .call() .content(); return postProcess(result); } catch (Exception e) { throw new BusinessException(ErrorCode.INTERNAL_ERROR, 大模型调用失败); } } /** * 结果后处理格式化、去冗余、截断至50字 */ private String postProcess(String text) { if (text null) return ; // 标准化、去换行、合并空格 String t Normalizer.normalize(text, Normalizer.Form.NFKC) .replaceAll(\r\n|\r|\n, ) .replaceAll(\\s, ).trim(); // 去除首尾引号与标点 t t.replaceAll(^[\“”‘’]|[\“”‘’]$, ) .replaceAll([。!?;、]$, ); // 按Unicode码点截断至50字 int limit 50; int count t.codePointCount(0, t.length()); if (count limit) return t; StringBuilder sb new StringBuilder(); int i 0, added 0; while (i t.length() added limit) { int cp t.codePointAt(i); sb.appendCodePoint(cp); i Character.charCount(cp); added; } return sb.toString(); } }2.3 关键参数解析temperature0 - 1值越高输出越随机摘要场景设 0.8 兼顾创意与规范。maxTokens限制输出长度避免内容溢出。后处理解决格式混乱、字数超标问题保证展示友好。三、RAG 索引构建私有知识向量化管理3.1 RAG 核心原理RAG检索增强生成通过文档切片 向量存储 指纹校验实现私有知识精准检索避免大模型幻觉。指纹SHA - 256用于判断文档是否更新决定是否重建索引。3.2 索引全流程首次上传前端计算 SHA - 256 与 ETag → 上传 OSS → 后端存指纹到 MySQL → 触发索引 → 文档切片存入向量库并携带指纹。查询校验问答前比对 MySQL 与向量库指纹一致则跳过重建。修改重传指纹变更 → 删除旧索引 → 生成新索引。3.3 索引服务核心逻辑/** * RAG索引服务确保索引最新 */ Service RequiredArgsConstructor public class RagIndexService { /** * 确保单篇知文索引最新 */ public void ensureIndexed(long postId) { // 从MySQL获取当前指纹 String currentSha getCurrentShaFromDB(postId); // 查询向量库已存指纹 String indexedSha getIndexedShaFromVector(postId); // 指纹不一致则重建索引 if (!currentSha.equals(indexedSha)) { deleteOldIndex(postId); buildNewIndex(postId, currentSha); } } }3.4 指纹作用唯一标识文档内容避免重复索引提升性能。保证向量库数据与源文档一致防止检索失效。四、RAG 问答查询流式精准回答4.1 问答流程确保索引最新向量相似度检索上下文组装提示词流式调用大模型返回结果。4.2 宽召回机制先检索 20 条相似文档宽召回再按postId过滤取前 5 条作为上下文提升检索准确率。4.3 流式问答实现代码/** * RAG问答查询服务流式返回回答 */ Service RequiredArgsConstructor public class RagQueryService { private final VectorStore vectorStore; private final ChatClient chatClient; private final RagIndexService indexService; /** * 流式问答接口 */ public FluxString streamAnswerFlux(long postId, String question, int topK, int maxTokens) { // 确保索引最新 indexService.ensureIndexed(postId); // 检索上下文 ListString contexts searchContexts(String.valueOf(postId), question, topK); String context String.join(\n\n---\n\n, contexts); // 提示词组装 String system 你是中文知识助手仅依据上下文作答不确定则说明; String user 问题 question \n\n上下文\n context; // 流式调用大模型 return chatClient.prompt() .system(system) .user(user) .options(DeepSeekChatOptions.builder() .model(deepseek-chat) .temperature(0.2) // 低温度保证严谨 .maxTokens(maxTokens) .build()) .stream() .content(); } /** * 向量检索上下文宽召回postId过滤 */ private ListString searchContexts(String postId, String query, int topK) { int fetchK Math.max(topK * 3, 20); // 向量相似度搜索 ListDocument docs vectorStore.similaritySearch( SearchRequest.builder().query(query).topK(fetchK).build() ); ListString out new ArrayList(); for (Document d : docs) { // 仅保留当前帖子切片 if (postId.equals(String.valueOf(d.getMetadata().get(postId)))) { out.add(d.getText()); if (out.size() topK) break; } } return out; } }4.4 向量检索原理用户问题经Embedding 模型转为 1536 维向量与向量库中文档向量计算余弦相似度排序后取最相似结果。1536 维平衡语义表达、计算效率与存储成本。五、关键技术细节与优化建议5.1 Embedding 模型配置embedding: options: model: text-embedding-v4 # 向量模型 dimensions: 1536 # 向量维度5.2 核心优化点指纹校验减少无效索引提升系统响应速度。宽召回提升检索覆盖率避免遗漏关键信息。流式输出提升用户体验适用于长文本回答。温度参数摘要用 0.8 增强创意问答用 0.2 保证严谨。结语本文基于 Spring AI 与 DeepSeek完整实现AI 自动摘要与RAG 检索问答两大核心功能覆盖配置、编码、索引、检索全流程。该方案可直接落地到企业知识平台、文档管理系统等场景解决私有知识高效利用与大模型幻觉问题。后续可优化文档切片策略、引入多模型切换、提升向量检索性能进一步增强系统能力。
