使用 Spring Cloud Alibaba AI 构建 RAG 应用

作者：姬世文

背景介绍

RAG（Retrieval Augmented Generation）

检索增强生成（RAG）是一种用于将数据与人工智能模型集成的技术。在 RAG 工作流程中，第一步将文档数据加载到矢量数据库（例如 Redis）中。当收到用户查询时，矢量数据库会检索一组与该查询相似的文档。然后，这些文档数据充当用户问题的上下文，并与用户的查询结合使用生成响应（通常通过 LLM 模型）。

在此示例中，我们将使用包含啤酒信息的数据集，包括名称、酒精体积（ABV）、国际苦度单位（IBU）等属性以及每种啤酒的描述。该数据集将加载到 Redis 中，之后通过 Spring Cloud Alibaba AI Starter 构建 Spring 项目，以演示 RAG 应用的工作流程。

Redis 矢量数据库

矢量数据库经常充当人工智能应用程序的内存。对于那些由大型语言模型（LLM）支持的人来说尤其如此。矢量数据库允许语义搜索，这为 LLM 提供了相关上下文。Spring AI 项目旨在简化人工智能驱动的应用程序的开发，包括矢量数据库的应用。

代码和依赖关系

您可以在 SCA 的官方博客中找到此示例源码链接：sca.aliyun.com

此示例 example 使用 Spring Cloud Alibaba AI 和 Spring AI Redis，用 Sping Web 构建 Web 应用程序。

数据加载

RAG 应用使用的数据由 JSON 文档组成，文档内容如下：

{  "id": "00gkb9",  "name": "Smoked Porter Ale",  "description": "The Porter Pounder Smoked Porter is a dark rich flavored ale that is made with 5 malts that include smoked and chocolate roasted malts. It has coffee and mocha notes that create a long finish that ends clean with the use of just a bit of dry hopping",  "abv": 8,  "ibu": 36}

在此示例中，我们通过 RagDataLoader 类将数据插入到 Redis 中。

RAG 应用

RAGService 类在收到用户提示时，将会调用检索方法，执行以下步骤：

1. 计算用户提示的向量

2. 查询 Redis 数据库以检索最相关的文档

3. 使用检索到的文档和用户提示构建提示

4. 调用 ChatClient 并提示生成响应

调用示例

我们可以通过浏览器或者 curl 命令的方式调用 web api 接口，来获得 RAG 应用的输出。默认的 prompt 参数：What ber pairs well with smoked meats?

curl $ curl  http://127.0.0.1:8081/rag/chat
# 如果一切正常，您将看到如下响应：Bieré De Ménage would pair well with smoked meats due to its high ABV (8%) and potentially the influence of oak barrels from the winemaking process, which can complement the rich flavors of smoked dishes. However, if you prefer a sturdier stout, Son of Berserker Stout with its 6.9% ABV and 20 IBUs could also serve as a good match for smoked foods, especially since it's a substantial stout without additional complexities like bourbon or oak.

如果您使用浏览器调用，将看到以下内容：

在此示例中，将 Spring Cloud Alibaba AI 与 Redis 向量存储，仅通过几个类实现了 RAG 应用。欢迎您试用 Spring Cloud Alibaba AI Starter，如果有任何问题，您可以通过 Issue 的方式与我们联系。

也欢迎通过钉钉搜索群号加入社区钉群。（群号：64485010179）