Spring AI RAG实战指南：从零开始构建智能知识库(必收藏代码示例)
本文介绍Spring AI框架中RAG工作机制，详解如何将各类文档通过DocumentReader读取、DocumentTransformer处理、Embedding模型转换为向量并存储到向量数据库。当用户提问时，系统先从向量数据库查询相关内容，再与问题一起发送给大模型处理，实现高效精准问答并降低成本。文章提供JSON和MD文件加载向量数据库的完整实战代码示例。
Spring AI 版本为1.x 最新版本：1.1.2
JDK17+
Spring Boot 3.4.8
[[Spring AI RAG 数据库实战] RAG 的工作机制]一文中，讲解了 RAG 的工作机制
如上图，RAG 的实现需要将已有的知识文件加载到对应的向量存储中。当向大模型提问时，Spring AI 框架会先从向量数据库中查询问题相关的答案，然后将这些查询到的数据插入到用户提问中，再一起发送给大模型处理。
在此之前，就需要了解如何加载知识文件到向量数据库，以及如何从向量数据库中检索数据。
如上图所示，数据文件加载到向量数据库中需要几个步骤
- DocumentReader 读取数据文件
- 数据文件被读取到内存中，经过 DocumentTransformer 进行切块
- 数据文件最终以 Document 数组的方式存在经由 Embedding 模型转为向量
- 数据文件最终以向量的形式被存储在 Vector 向量数据库中。
没有这些复杂的流程可以实现 RAG吗？
当然可以！
但是如果每次提问都把所有的数据文本都传给大模型处理，效率和成本可想而知。
RAG 这些复杂的工程是为了 快速、精准、节约成本的方式给大模型外界数据库。
文档读取器 DocumentReader
DocumentReader 的作用就一个，将各种类型不同的结构的文件 html、json、pdf、markdown、网页等解析成统一的结果：Document。
Document 转换处理
直接从各类型文档加载的 Document 数据结构，数据杂乱无章，DocumentTransformer 的作用就是对加载的 Document 进行数据处理。
Document 写入
处理完后的 Document ，通过 Writer 写入到各种存储介质中，如：文件和向量存储。向量存储可以拓展很多存储场景，如：内存、Redis、ES等。
项目结构
知识库原文件
2026马年年货节优惠券数据.json
活动规则.md
数据源加载、转换、写入向量数据库代码
JSON 文件加载到向量数据库中测试代码
MD文件加载到向量数据库中测试代码
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。