当前位置： 首页 > wzjs >正文

多域名指向同一网站邯郸有建网站吗哪个公司好些

wzjs 2025/9/16 18:24:25
多域名指向同一网站,邯郸有建网站吗哪个公司好些,网站建设难度大吗,佛山网站设计步骤环境准备 在使用 RAG（检索增强生成）时，可以选择使用本地缓存保存 Embedding 向量，也可以使用数据库存储。本示例选择使用 PostgreSQL 提供的向量数据库（pgvector），并通过 Docker 安装。 Docke…

环境准备

在使用 RAG（检索增强生成）时，可以选择使用本地缓存保存 Embedding 向量，也可以使用数据库存储。本示例选择使用 PostgreSQL 提供的向量数据库（pgvector），并通过 Docker 安装。

Docker 配置

以下是 docker-compose-environment.yml 文件的内容：

version: '3'
services:vector_db:image: pgvector/pgvector:v0.5.0container_name: vector_dbrestart: alwaysenvironment:- POSTGRES_USER=postgres- POSTGRES_PASSWORD=postgres- POSTGRES_DB=springai- PGPASSWORD=postgresvolumes:- ./pgvector/sql/init.sql:/docker-entrypoint-initdb.d/init.sqllogging:options:max-size: 10mmax-file: "3"ports:- '5432:5432'healthcheck:test: "pg_isready -U postgres -d vector_store"interval: 2stimeout: 20sretries: 10networks:- my-networknetworks:my-network:driver: bridge

init.sql 文件用于安装 pgvector 扩展：

-- 如果当前数据库中尚未安装 vector 扩展，则安装它；如果已经安装，则不做任何操作。
CREATE EXTENSION IF NOT EXISTS vector;

Maven 依赖

在项目中引入以下 Maven 依赖：

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-bom</artifactId><version>1.0.0-M6</version><type>pom</type><scope>import</scope>
</dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-openai-spring-boot-starter</artifactId><version>1.0.0-M6</version>
</dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-tika-document-reader</artifactId><version>1.0.0-M6</version>
</dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-pgvector-store-spring-boot-starter</artifactId><version>1.0.0-M6</version>
</dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId><version>1.0.0-M6</version>
</dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-mcp-client-webflux-spring-boot-starter</artifactId><version>1.0.0-M6</version>
</dependency>

配置文件

在 application.yml 中配置数据源和 AI 服务：

spring:datasource:driver-class-name: org.postgresql.Driverusername: postgrespassword: postgresurl: jdbc:postgresql://localhost:15432/ai-rag-knowledgetype: com.zaxxer.hikari.HikariDataSourcehikari:pool-name: HikariCPminimum-idle: 5idle-timeout: 600000maximum-pool-size: 10auto-commit: truemax-lifetime: 1800000connection-timeout: 30000connection-test-query: SELECT 1ai:mcp:client:stdio:servers-configuration: classpath:/config/mcp-servers-config.jsonopenai:base-url: xxxapi-key: xxx

RAG

什么是 RAG？

检索增强生成（Retrieval-Augmented Generation，RAG）是一种结合信息检索与大型语言模型（LLM）的技术架构。它通过以下方式显著提升 AI 回答的质量和准确性：

  1. 从知识库中检索相关文档：通过向量数据库（如 pgvector）存储文档的嵌入向量，能够快速检索与用户问题相关的文档。
  2. 将检索结果作为上下文提供给 LLM：将检索到的文档内容作为提示词的一部分，提供给 LLM 以生成更准确的回答。
  3. 生成基于上下文的精准回答：结合检索到的文档内容，LLM 能够生成更具针对性和可靠性的回答。

相比传统 LLM，RAG 能有效解决“幻觉”问题，特别适合企业知识库、技术文档问答等场景。

示例代码

配置向量存储

以下代码展示了如何配置向量存储：

@Bean
public TokenTextSplitter tokenTextSplitter() {return new TokenTextSplitter();
}@Bean
public OpenAiApi openAiApi(@Value("${spring.ai.openai.base-url}") String baseUrl, @Value("${spring.ai.openai.api-key}") String apiKey) {return OpenAiApi.builder().baseUrl(baseUrl).apiKey(apiKey).build();
}@Bean("openAiSimpleVectorStore")
public SimpleVectorStore simpleVectorStore(OpenAiApi openAiApi) {OpenAiEmbeddingModel openAiEmbeddingModel = new OpenAiEmbeddingModel(openAiApi);return SimpleVectorStore.builder(openAiEmbeddingModel).build();
}@Bean("openAiPgVectorStore")
public PgVectorStore pgVectorStore(JdbcTemplate jdbcTemplate, OpenAiApi openAiApi) {OpenAiEmbeddingModel openAiEmbeddingModel = new OpenAiEmbeddingModel(openAiApi);return PgVectorStore.builder(jdbcTemplate, openAiEmbeddingModel).vectorTableName("vector_store_openai").build();
}

上传文档

以下代码展示了如何上传文档到向量数据库：

@Autowired
private OpenAiChatModel openAiChatModel;@jakarta.annotation.Resource(name = "openAiPgVectorStore")
private PgVectorStore pgVectorStore;@jakarta.annotation.Resource
private TokenTextSplitter tokenTextSplitter;@Test
public void upload() {TikaDocumentReader reader = new TikaDocumentReader("./data/线上常见问题案例和排查工具.md");List<Document> documents = reader.get();List<Document> documentSplitterList = tokenTextSplitter.apply(documents);documents.forEach(doc -> doc.getMetadata().put("topic", "线上常见问题排查案例和排查工具"));documentSplitterList.forEach(doc -> doc.getMetadata().put("topic", "线上常见问题排查案例和排查工具"));pgVectorStore.accept(documentSplitterList);log.info("上传完成");
}

问答功能

以下代码展示了如何实现基于 RAG 的问答功能：

@Test
public void chat() {String message = "你用过哪些分析定位 Java 故障/性能的工具";String SYSTEM_PROMPT = """Use the information from the DOCUMENTS section to provide accurate answers but act as if you knew this information innately.If unsure, simply state that you don't know.Another thing you need to note is that your reply must be in Chinese!DOCUMENTS:{documents}""";SearchRequest request = SearchRequest.builder().query(message).topK(5).filterExpression("topic == '线上常见问题排查案例和排查工具'").build();List<Document> documents = pgVectorStore.similaritySearch(request);String documentsCollectors = null == documents ? "" : documents.stream().map(Document::getText).collect(Collectors.joining());Message ragMessage = new SystemPromptTemplate(SYSTEM_PROMPT).createMessage(Map.of("documents", documentsCollectors));ArrayList<Message> messages = new ArrayList<>();messages.add(new UserMessage(message));messages.add(ragMessage);ChatResponse chatResponse = openAiChatModel.call(new Prompt(messages,OpenAiChatOptions.builder().model("gpt-4o").build()));log.info("测试结果:{}", JSON.toJSONString(chatResponse));
}

tools calling

什么是tools calling？

tools calling是一种增强 LLM 功能的技术，通过定义一组工具（如时间查询、计算器等），让 LLM 能够调用这些工具来完成特定任务。工具调用的核心思想是将 LLM 的生成能力与外部功能结合，提升其解决问题的能力。

tools calling的主要流程：

  1. 定义tool：通过注解或接口定义工具的功能和描述。
  2. 注册tool：将工具注册到 LLM 的调用上下文中。
  3. 调用tool：在用户输入中触发工具调用，LLM 根据工具的描述生成调用请求。

以下是工具调用的示例代码：

定义tool
class DateTimeTools {@Tool(description = "获取当前时间")String getCurrentDateTime() {return LocalDateTime.now().atZone(LocaleContextHolder.getTimeZone().toZoneId()).toString();}@Tool(description = "设置用户闹钟，时间格式为 ISO-8601")void setAlarm(String time) {LocalDateTime alarmTime = LocalDateTime.parse(time, DateTimeFormatter.ISO_DATE_TIME);System.out.println("闹钟已设置：" + alarmTime);}
}
测试tools calling
@SpringBootTest
@Slf4j
@RunWith(SpringRunner.class)
public class ToolsCalling {@Resourceprivate OpenAiChatModel openAiChatModel;@Tool(description = "获取当前时间")String getCurrentDateTime() {return LocalDateTime.now().atZone(LocaleContextHolder.getTimeZone().toZoneId()).toString();}@Testpublic void test() {String response = ChatClient.create(openAiChatModel).prompt("Can you set an alarm 10 minutes from now?").tools(new DateTimeTools()).call().content();System.out.println(response);}
}

MCP 服务

什么是 MCP？

MCP（Model-Callable Procedures，模型可调用过程）是一种通过定义工具服务来扩展 LLM 功能的技术架构。它允许 LLM 调用外部服务来完成复杂任务，例如查询数据库、执行计算或获取系统信息。

MCP 的主要特点：

  1. 工具服务化：将工具功能封装为服务，支持独立运行和调用。
  2. 模型调用：通过 MCP 协议，LLM 可以调用这些服务来完成任务。
  3. 动态扩展：支持动态加载和扩展工具服务，满足不同场景需求。

以下是 MCP 服务的实现和使用示例：

创建 MCP 服务

引入依赖：

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId>
</dependency>

编写 MCP 服务：

@Slf4j
@Service
public class ComputerService {@Tool(description = "获取电脑配置")public ComputerFunctionResponse queryConfig(ComputerFunctionRequest request) {log.info("获取电脑配置信息 {}", request.getComputer());// 获取系统属性Properties properties = System.getProperties();ComputerFunctionResponse response = new ComputerFunctionResponse();response.setOsName(properties.getProperty("os.name"));response.setOsVersion(properties.getProperty("os.version"));response.setOsArch(properties.getProperty("os.arch"));response.setUserName(properties.getProperty("user.name"));response.setUserHome(properties.getProperty("user.home"));response.setUserDir(properties.getProperty("user.dir"));response.setJavaVersion(properties.getProperty("java.version"));return response;}
}
请求参数
@Data
@JsonInclude(JsonInclude.Include.NON_NULL)
public class ComputerFunctionRequest {@JsonProperty(required = true, value = "computer")@JsonPropertyDescription("电脑名称")private String computer;
}
响应参数
@Data
@JsonInclude(JsonInclude.Include.NON_NULL)
public class ComputerFunctionResponse {@JsonProperty(required = true, value = "osName")@JsonPropertyDescription("操作系统名称")private String osName;@JsonProperty(required = true, value = "osVersion")@JsonPropertyDescription("操作系统版本")private String osVersion;@JsonProperty(required = true, value = "osArch")@JsonPropertyDescription("操作系统架构")private String osArch;@JsonProperty(required = true, value = "userName")@JsonPropertyDescription("用户的账户名称")private String userName;@JsonProperty(required = true, value = "userHome")@JsonPropertyDescription("用户的主目录")private String userHome;@JsonProperty(required = true, value = "userDir")@JsonPropertyDescription("用户的当前工作目录")private String userDir;@JsonProperty(required = true, value = "javaVersion")@JsonPropertyDescription("Java 运行时环境版本")private String javaVersion;
}
注册 MCP 服务
@Slf4j
@SpringBootApplication
public class McpServerComputerApplication implements CommandLineRunner {public static void main(String[] args) {SpringApplication.run(McpServerComputerApplication.class, args);}@Beanpublic ToolCallbackProvider computerTools(ComputerService computerService) {return MethodToolCallbackProvider.builder().toolObjects(computerService).build();}@Overridepublic void run(String... args) throws Exception {log.info("MCP Server Computer 启动成功！");}
}
使用 MCP 服务

在 mcp-servers-config.json 中配置服务信息：

{"mcp-server-computer": {"command": "java","args": ["-Dspring.ai.mcp.server.stdio=true","-jar","/path/to/mcp-server-computer-1.0.0.jar"]}
}

调用 MCP 服务：

@Test
public void test() {String userInput = "获取电脑配置";var chatClient = chatClientBuilder.defaultTools(tools).defaultOptions(OpenAiChatOptions.builder().model("gpt-4o").build()).build();System.out.println("\n>>> QUESTION: " + userInput);System.out.println("\n>>> ASSISTANT: " + chatClient.prompt(userInput).call().content());
}

文章转载自：

http://XVTeonDt.psgbk.cn
http://VYwVVtPH.psgbk.cn
http://SXin6xkD.psgbk.cn
http://Gbift2eo.psgbk.cn
http://hnID04Ii.psgbk.cn
http://vy5QfYLa.psgbk.cn
http://GxURyeLM.psgbk.cn
http://APk9EvQJ.psgbk.cn
http://bYGWC4UQ.psgbk.cn
http://Y0tKoQYV.psgbk.cn
http://1IjmKIpG.psgbk.cn
http://Thhfo84L.psgbk.cn
http://3BnikxbQ.psgbk.cn
http://thwxrUR3.psgbk.cn
http://Y9awI3rf.psgbk.cn
http://NCGgbHpj.psgbk.cn
http://li64nvo0.psgbk.cn
http://HqMQsfOR.psgbk.cn
http://T9YKnWRb.psgbk.cn
http://krEezqmG.psgbk.cn
http://6pH928Au.psgbk.cn
http://Phyza0On.psgbk.cn
http://7XOsHlkl.psgbk.cn
http://wfgMbd3G.psgbk.cn
http://EtebyJ7o.psgbk.cn
http://8jLQ8eqd.psgbk.cn
http://VL9Ep1cn.psgbk.cn
http://nZmi1r5k.psgbk.cn
http://tdujLugH.psgbk.cn
http://xAAjX4xo.psgbk.cn
http://www.dtcms.com/wzjs/757684.html

相关文章：

  • 建筑公司网站设计模板广州自适应网站建设
  • 关于单位网站建设的请示上海中小企业服务中心官网
  • 莆田网站制作计划域名绑定空间后 一般多久能打开网站
  • 给客户做网站做微商网站需要哪些
  • 网站建设使用的什么语言房地产开发公司资质等级
  • 注册网站会员 我们的信息广告传媒公司名称
  • 怎么做好网站开发 设计定制型网站设计价格
  • PHP套模板做网站asp做网站得多长时间
  • 网站从哪些方面来做泰州哪里做网站
  • 设计师图库网站seo推广的全称是
  • 如何自己创建网站教程网站建设意识形态
  • 网站建设的可行性报告电器网站制作价格
  • 云南建设注册考试中心网站app网站建设 需要ae吗
  • 四川建设银行官网招聘网站wordpress编辑页面没用
  • 2019年云南建设银行招聘网站惠州仲恺住房和城乡建设局网站
  • 广州做企业网站做网站的目的和要求
  • 剑网三奇遇查询网站怎么做单位建设网站申请
  • 最新网站建设语言react做网站
  • wordpress 4.5 汉化主题网站seo分析报告
  • 个人求职网站如何做医院做网站的风格
  • 湘潭网站网站建设做网站赌钱犯法吗
  • 四川城乡和住房建设厅网站手机怎么解除禁止访问网页
  • 找什么人做公司网站台州建设局网站信息价
  • 南京学习做网站网络运营具体做什么
  • 沈阳网站制作企业临海做网站
  • 个人备案挂企业网站网上服务大厅官网
  • 网站维护工作的基本内容网站建设办法
  • 建设电子商务网站市场分析曲阳住房和城乡建设局网站
  • 一个空间怎么放2个网站珠海市企业网络推广
  • 烟台营销型网站建设如何制作一个软件app