重庆网站关键词推广小程序企业网站开发

在大语言模型时代，让 AI 能够理解并基于本地文档回答问题的 RAG（检索增强生成）技术成为热门。本文将结合实际代码，详细介绍如何使用 LangChain4j 框架快速实现一个基于 PDF 文档的 RAG 系统，让 AI 能够 "读懂" 你的本地文档并精准回答相关问题。

什么是 RAG？为什么选择 LangChain4j？

RAG（Retrieval-Augmented Generation，检索增强生成）是一种将外部知识检索与大语言模型生成相结合的技术。它解决了大语言模型 "知识过时" 和 "幻觉生成" 的问题，通过在生成回答前检索相关文档内容，让 AI 基于真实可信的来源生成答案。

LangChain4j 是 Java 生态中优秀的大语言模型应用开发框架，它提供了简洁的 API 封装，简化了 RAG 流程中文档处理、嵌入生成、向量存储、检索匹配等核心环节的实现，让开发者可以用最少的代码搭建生产级 RAG 系统。

实战：用 LangChain4j 实现 PDF 文档问答

环境准备：核心依赖

首先需要在pom.xml中引入 LangChain4j 的核心依赖，包括框架核心、内存向量存储、文档解析器和大语言模型集成（这里以 OpenAI 为例）：

<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter</artifactId></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId><version>${lombok.version}</version><optional>true</optional></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-test</artifactId><scope>test</scope></dependency><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-open-ai</artifactId><version>1.1.0</version></dependency><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j</artifactId><version>1.1.0</version></dependency><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-reactor</artifactId><version>1.1.0-beta7</version></dependency><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-easy-rag</artifactId><version>1.1.0-beta7</version></dependency>

核心组件配置：搭建 RAG 基础框架

我们需要配置三个核心组件：向量存储（用于存储文档嵌入）、嵌入模型（将文本转换为向量）、RAG 聊天助手（整合检索与生成）。以下是 Spring 环境下的配置类实现：

import dev.langchain4j.data.segment.TextSegment;
import dev.langchain4j.model.chat.ChatModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.model.openai.OpenAiEmbeddingModel;
import dev.langchain4j.rag.content.retriever.EmbeddingStoreContentRetriever;
import dev.langchain4j.store.embedding.EmbeddingStore;
import dev.langchain4j.store.embedding.InMemoryEmbeddingStore;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;@Configuration
public class RAGConfig {// 1. 配置嵌入模型（将文本转换为向量）@Beanpublic OpenAiEmbeddingModel embeddingModel() {return OpenAiEmbeddingModel.withApiKey("你的OpenAI API密钥");}// 2. 配置向量存储（存储文档向量）@Beanpublic EmbeddingStore<TextSegment> embeddingStore() {// 实际生产环境可替换为Pinecone、Weaviate等向量数据库return new InMemoryEmbeddingStore<>();}// 3. 配置大语言模型（用于生成回答）@Beanpublic ChatModel chatModel() {return OpenAiChatModel.withApiKey("你的OpenAI API密钥").modelName("gpt-4o-mini") // 可替换为gpt-4等模型.temperature(0.7); // 控制回答随机性，0表示更确定}// 4. 配置RAG聊天助手（整合检索与生成）@Bean(name = "ragChatAssistant")public ChatMemoryAssistant ragChatAssistant(EmbeddingStore<TextSegment> embeddingStore,ChatModel chatModel) {// 创建内容检索器（从向量存储中检索相关文档）EmbeddingStoreContentRetriever contentRetriever = EmbeddingStoreContentRetriever.from(embeddingStore,embeddingModel(), // 用于将查询转换为向量3 // 每次检索返回3个最相关的文档片段);// 构建RAG聊天助手return AiServices.builder(ChatMemoryAssistant.class).chatModel(chatModel) // 生成回答的大模型.contentRetriever(contentRetriever) // 检索相关文档.chatMemory(MessageWindowChatMemory.withMaxMessages(50)) // 保留对话历史.build();}
}

关键组件说明：

• EmbeddingStore：存储文档的向量表示，这里使用内存存储（适合演示），生产环境建议使用分布式向量数据库。
• EmbeddingModel：将文本（文档片段和用户查询）转换为向量，实现语义匹配。
• ChatModel：大语言模型，基于检索到的文档生成自然语言回答。
• ChatMemoryAssistant：LangChain4j 提供的接口式助手，自动处理检索 - 生成流程，支持对话记忆。

文档处理：解析 PDF 并存入向量存储

接下来需要实现文档的加载、解析和嵌入存储。以下是控制器中处理 PDF 文档并提供问答接口的代码：

import dev.langchain4j.data.document.Document;
import dev.langchain4j.data.document.parser.apache.tika.ApacheTikaDocumentParser;
import dev.langchain4j.data.segment.TextSegment;
import dev.langchain4j.store.embedding.EmbeddingStore;
import dev.langchain4j.store.embedding.EmbeddingStoreIngestor;
import lombok.extern.slf4j.Slf4j;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;import javax.annotation.Resource;
import java.io.FileInputStream;
import java.io.FileNotFoundException;@RestController
@Slf4j
public class RAGController {// 注入RAG聊天助手@Resourceprivate ChatMemoryAssistant ragChatAssistant;// 注入向量存储@Resourceprivate EmbeddingStore<TextSegment> embeddingStore;/*** 加载PDF文档并执行RAG问答*/@GetMapping("/rag/query")public String ragQuery(@RequestParam String query) {try {// 1. 读取本地PDF文件（这里以"Java开发错误码.pdf"为例）FileInputStream fileInputStream = new FileInputStream("src/main/resources/static/Java开发错误码.pdf");// 2. 使用Apache Tika解析PDF文档（支持多种格式：PDF/Word/Excel等）Document document = new ApacheTikaDocumentParser().parse(fileInputStream);// 3. 将文档分块并存入向量存储// 自动分块（默认按字符长度分块，可自定义分块策略）EmbeddingStoreIngestor.ingest(document, embeddingStore);log.info("文档解析完成，已存入向量存储");// 4. 调用RAG助手生成回答（自动检索相关文档）String answer = ragChatAssistant.chat(query);log.info("RAG回答：{}", answer);return answer;} catch (FileNotFoundException e) {log.error("文档未找到", e);return "文档不存在，请检查路径";} catch (Exception e) {log.error("RAG处理失败", e);return "处理失败：" + e.getMessage();}}
}

文档处理流程解析：

1. 文档加载：通过FileInputStream读取本地 PDF 文件（支持其他格式如 Word、TXT 等）。
2. 文档解析：使用ApacheTikaDocumentParser解析文档内容（Tika 支持多种格式，无需单独处理 PDF 解析逻辑）。
3. 文档分块：EmbeddingStoreIngestor自动将文档分割为适合嵌入的小片段（默认策略：每块 200 字符，重叠 0 字符，可自定义）。
4. 嵌入存储：分块后的文本片段通过嵌入模型转换为向量，存入EmbeddingStore。

定义聊天助手接口

最后需要定义ChatMemoryAssistant接口，LangChain4j 会通过动态代理自动实现接口逻辑：

import dev.langchain4j.service.SystemMessage;
import dev.langchain4j.service.UserMessage;public interface ChatMemoryAssistant {// 系统提示：告诉AI如何使用检索到的文档回答问题@SystemMessage("""你是一个基于文档的问答助手。请根据提供的文档内容回答用户问题。如果文档中没有相关信息，请明确说明"文档中未找到相关内容"，不要编造答案。回答要简洁明了，基于文档事实。""")String chat(@UserMessage String query);
}

接口说明：

• @SystemMessage：定义 AI 的角色和行为准则，这里要求 AI 严格基于检索到的文档回答。
• @UserMessage：标记用户输入的查询参数。
• LangChain4j 会自动将检索到的文档内容作为上下文传入大模型，生成符合系统提示的回答。

运行与测试

1. 准备工作：

   • 替换代码中的 OpenAI API 密钥（可在 OpenAI 官网申请）。
   • 将 PDF 文档放入src/main/resources/static目录（或修改代码中的文件路径）。

2. 启动应用：运行 Spring Boot 主类，访问接口http://localhost:8080/rag/query?query=你的问题。

3. 示例：

   • 若 PDF 中包含 "错误码 1001 表示参数无效" 的内容，查询http://localhost:8080/rag/query?query=错误码A0001是什么意思，会返回基于文档的准确回答。

优化与扩展方向

1. 替换向量存储：将InMemoryEmbeddingStore替换为生产级向量数据库（如 Pinecone、Milvus、Weaviate），支持大规模文档存储。

2. 自定义分块策略：默认分块可能不适合长文档，可自定义分块器：

   DocumentSplitter splitter = new CharacterDocumentSplitter(500, // 块大小50,  // 块重叠"\n"  // 分隔符
   );
   EmbeddingStoreIngestor.builder().documentSplitter(splitter).embeddingStore(embeddingStore).build().ingest(document);
   

3. 使用本地模型：若需隐私保护，可替换为本地嵌入模型（如 BGE）和大语言模型（如 Llama 3）：

   // 本地嵌入模型
   EmbeddingModel embeddingModel = new BgeSmallEnV15QuantizedEmbeddingModel();
   // 本地大语言模型
   ChatModel chatModel = new Llama3ChatModel(...);
   

4. 添加文档元数据：解析文档时可添加元数据（如作者、日期），检索时支持过滤：

   Document document = Document.from(text, Map.of("source", "Java开发手册"));
   

总结

本文通过实际代码演示了如何用 LangChain4j 快速搭建 RAG 系统，核心流程包括：文档解析→分块→嵌入存储→检索→生成回答。LangChain4j 通过封装复杂的底层逻辑，让开发者只需关注业务需求，大幅降低了 RAG 的实现门槛。

无论是企业内部知识库问答、产品手册查询还是法律文档分析，这种架构都能快速适配，为 AI 应用注入 "读懂本地文档" 的能力。