RAG核心特性：查询增强和关联

本文为个人学习笔记整理，仅供交流参考，非专业教学资料，内容请自行甄别。

---

概述

  查询增强和关联是在RAG文档检索和过滤后执行的操作，也是RAG的核心特性之一。其利用了Spring AI的Advisor增强器的特性，主要包括了：

• QuestionAnswerAdvisor：从向量存储中检索问题的上下文并添加到提示的用户文本中。
• RetrievalAugmentationAdvisor：遵循模块化 RAG 体系结构实现常见检索增强生成 （RAG） 流的Advisor。提供了更多的定制选项。

  以及ContextualQueryAugmenter空上下文处理器。其中QuestionAnswerAdvisor是最常见的用法，此前的案例中都是使用该种Advisor作为向量数据库的增强器，执行文档检索和过滤的操作，本篇重点介绍后两种。

一、RetrievalAugmentationAdvisor

  RetrievalAugmentationAdvisor提供了更多的定制功能，其基本的使用案例：

/*** 测试RetrievalAugmentationAdvisor增强器** @param text* @param chatId* @return*/public String testRetrievalAugmentationAdvisor(String text, String chatId) {RetrievalAugmentationAdvisor retrievalAugmentationAdvisor = RetrievalAugmentationAdvisor.builder().documentRetriever(VectorStoreDocumentRetriever.builder().similarityThreshold(0.50).vectorStore(vectorStore).build()).build();ChatResponse response = chatClient.prompt().user(text).advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId).param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)).advisors(new MyLogAdvisor()).advisors(retrievalAugmentationAdvisor).call().chatResponse();return response.getResult().getOutput().getText();}

  RetrievalAugmentationAdvisor还支持加入文档过滤和检索的增强，比如RewriteQueryTransformer查询重写：

    /*** 测试RetrievalAugmentationAdvisor增强器** @param text* @param chatId* @return*/public String testRetrievalAugmentationAdvisor(String text, String chatId) {RetrievalAugmentationAdvisor retrievalAugmentationAdvisor = RetrievalAugmentationAdvisor.builder().queryTransformers(RewriteQueryTransformer.builder().build()).documentRetriever(VectorStoreDocumentRetriever.builder().similarityThreshold(0.50).vectorStore(vectorStore).build()).build();ChatResponse response = chatClient.prompt().user(text).advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId).param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)).advisors(new MyLogAdvisor()).advisors(retrievalAugmentationAdvisor).call().chatResponse();return response.getResult().getOutput().getText();}

二、ContextualQueryAugmenter

  ContextualQueryAugmenter是空上下文处理器， 默认情况下RetrievalAugmentationAdvisor是不支持检索的上下文为空的。但是如果用户想要查询到知识库以外的内容，可以通过ContextualQueryAugmenter增强器实现：

    /*** 测试ContextualQueryAugmenter增强器** @param text* @param chatId* @return*/public String testContextualQueryAugmenter(String text, String chatId) {RetrievalAugmentationAdvisor retrievalAugmentationAdvisor = RetrievalAugmentationAdvisor.builder().documentRetriever(VectorStoreDocumentRetriever.builder().similarityThreshold(0.50).vectorStore(vectorStore).build())//构建ContextualQueryAugmenter增强器，设置允许上下文为空.queryAugmenter(ContextualQueryAugmenter.builder().allowEmptyContext(true).build()).build();ChatResponse response = chatClient.prompt().user(text).advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId).param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10)).advisors(new MyLogAdvisor()).advisors(retrievalAugmentationAdvisor).call().chatResponse();return response.getResult().getOutput().getText();}

  本地RAG知识库提供的文档，都是和猫咪的选择有关的，上面的设置完成后，再去提问一个无关的问题，比如谁是狗：

  谁是狗这样的问题，在RAG知识库中是搜索不到的。

  通过ContextualQueryAugmenter的增强，可以给出回答：

  关闭ContextualQueryAugmenter增强，则无法给出回答：

  ContextualQueryAugmenter也可以自定义提示模板：

        RetrievalAugmentationAdvisor retrievalAugmentationAdvisor = RetrievalAugmentationAdvisor.builder().documentRetriever(VectorStoreDocumentRetriever.builder().similarityThreshold(0.50).vectorStore(vectorStore).build())//构建ContextualQueryAugmenter增强器，设置允许上下文为空.queryAugmenter(ContextualQueryAugmenter.builder().allowEmptyContext(false).emptyContextPromptTemplate(new SystemPromptTemplate("你应该输出以下的内容：抱歉，该问题我无法回答，请另请高明")).build()).build();

---