06-milvus-vector-rag RAG 基础：文档加载、切分、向量化与检索增强

LangChain4j 进阶实战：第 6 篇，Milvus 向量库实战，上传文档并完成 RAG 问答

1. 为什么要从 InMemory 升级到 Milvus

上一章的 RAG 使用了InMemoryEmbeddingStore，它适合学习，但不适合生产。

原因很直接：

• 服务重启后数据丢失。
• 多实例之间不能共享。
• 文档量大时内存压力高。
• 无法做长期索引管理。
• 很难做增量更新、删除和运维监控。

生产环境需要外部向量数据库。这里以 Milvus 为例，讲清楚配置、写入、检索、元数据和业务实体向量化的完整思路。

2. 配置 Milvus

基础配置通常长这样：

milvus:host:${MILVUS_HOST}port:${MILVUS_PORT}username:${MILVUS_USERNAME}password:${MILVUS_PASSWORD}database-name:kaleidocollection-name:testdimension:1536

如果你的项目里还用了 Spring AI，配置形态也类似：

spring:ai:vectorstore:milvus:client:host:${MILVUS_HOST}port:${MILVUS_PORT}username:${MILVUS_USERNAME}password:${MILVUS_PASSWORD}database-name:kaleidocollection-name:kaleido_collectioninitialize-schema:trueembedding-dimension:1536indexType:IVF_FLATmetricType:COSINE

这里有两个特别关键的参数：

• dimension：必须和 embedding 模型输出维度一致。
• metricType：常见是COSINE，用于语义相似度。

3. 上传文档接口

文档上传接口可以这样设计：

@PostMapping("/upload")publicStringuploadDocument(@RequestParam("file")MultipartFilefile){if(file.isEmpty()){return"上传的文件为空";}uploadDocumentToMilvus(file);isDocumentUploaded=true;return"文档上传成功";}

这是一条典型的文档入库链路：

MultipartFile -> Tika 解析 -> Document -> Split -> Embedding -> Milvus

我的理解是：向量库不是用来存原始文档的，而是用来存“可被语义检索的文档片段”。原始文件最好仍然存对象存储，向量库存片段、向量和元数据。

4. 用 Apache Tika 解析文档

上传复杂文件时，可以用 Tika 解析：

try(InputStreaminputStream=file.getInputStream()){ApacheTikaDocumentParserparser=newApacheTikaDocumentParser();document=parser.parse(inputStream