RAG 是目前使用大模型最常见、最有效的增强方式之一：
让模型“先查资料，再回答”，大幅降低幻觉，提高答案准确性。
Spring AI 中 RAG 的几种主流实现难度对比（2026年初）
| 难度 | 实现方式 | 向量存储类型 | 上手时间 | 生产可用性 | 推荐场景 |
|---|---|---|---|---|---|
| ★☆☆ | 内存版（SimpleVectorStore） | 内存 | 5~15分钟 | ★☆☆ | 学习、Demo、快速验证 |
| ★★☆ | 文件+PGVector | PostgreSQL + pgvector | 1~3小时 | ★★★★ | 小型到中型项目、性价比高 |
| ★★★ | Chroma / Milvus / Redis | 专用向量数据库 | 3~8小时 | ★★★★★ | 中大型项目、分布式、高并发 |
| ★★★★ | Elasticsearch / Weaviate | 搜索+向量混合 | 6~15小时 | ★★★★★ | 已有ES集群、企业级 |
最推荐的入门组合（2026年最常用）
学习/快速上手首选：
Spring AI 1.0.x + SimpleVectorStore（内存） + OpenAI/DeepSeek/通义千问 兼容接口
小项目/生产过渡推荐：
PostgreSQL + pgvector + Spring AI PGVector Store
方式一：最简单内存版 RAG（5分钟能跑通）
@RestController
@RequestMapping("/rag/easy")
@RequiredArgsConstructor
public class EasyRagController {
private final ChatClient chatClient;
private final EmbeddingModel embeddingModel; // 自动注入，通常跟随你选择的模型
// 内存向量存储（项目重启就清空，适合学习）
private final VectorStore vectorStore = new SimpleVectorStore(embeddingModel);
// 启动时自动加载知识（实际项目中可以做成定时任务/管理接口）
@PostConstruct
public void initKnowledge() {
List<String> rawTexts = List.of(
"Spring AI 是 Spring 家族 2024~2025 年推出的官方大模型集成框架。",
"ChatClient 是最核心的高层抽象，类似以前的 RestTemplate。",
"目前最受欢迎的国内模型组合：DeepSeek-R1（推理）、DeepSeek-V3（综合）、通义千问-max（稳定）。",
"RAG 全称 Retrieval-Augmented Generation，中文叫检索增强生成。",
"好的 RAG 系统关键在于：高质量的切分、分块、Embedding、检索召回、上下文构建。"
);
List<Document> documents = rawTexts.stream()
.map(text -> Document.builder()
.content(text)
.metadata(Map.of("source", "spring-ai-rag-intro", "type", "tutorial"))
.build())
.toList();
vectorStore.add(documents);
}
@GetMapping("/ask")
public String askQuestion(@RequestParam String question) {
// 1. 检索最相似的 TopK 文档
List<Document> similarDocs = vectorStore.similaritySearch(
SearchRequest.query(question)
.withTopK(4) // 召回几条
.withSimilarityThreshold(0.68) // 相似度阈值，可调
);
// 2. 构建上下文（最简单拼接方式）
String context = similarDocs.stream()
.map(doc -> doc.getContent())
.collect(Collectors.joining("\n\n---\n\n"));
// 3. 带上下文提问
return chatClient.prompt()
.system("""
你现在是一位基于给定上下文回答问题的专家助手。
只使用下面提供的上下文信息来回答问题。
如果上下文里没有相关信息，就诚实地说不知道，不要编造。
上下文：
{context}
""")
.user(question)
.advisors(PromptTemplate.from("{context}").withVariable("context", context))
.call()
.content();
}
}测试例子
http://localhost:8080/rag/easy/ask?question=什么是RAG？它有什么关键点？
方式二：更接近生产的 PGVector 版（推荐小项目使用）
依赖
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-pgvector-store-spring-boot-starter</artifactId>
</dependency>
<dependency>
<groupId>org.postgresql</groupId>
<artifactId>postgresql</artifactId>
<scope>runtime</scope>
</dependency>application.yml 配置示例
spring:
ai:
vectorstore:
pgvector:
initialize-schema: true # 第一次启动时自动建表
index-type: HNSW # 或 IVFFlat
dimensions: 1536 # 跟你的 embedding model 维度一致（text-embedding-3-small=1536）
distance-type: COSINE # 余弦最常用
datasource:
url: jdbc:postgresql://localhost:5432/ragdb
username: postgres
password: yourpassword代码基本相同，只改 VectorStore 注入方式
@Autowired
private VectorStore vectorStore; // 会自动注入 PgVectorStore其他使用方式几乎不变。
目前（2026年1月）推荐的 Embedding 模型选择
| 模型 | 维度 | 中文效果 | 速度 | 价格/本地 | 推荐度 |
|---|---|---|---|---|---|
| text-embedding-3-small (OpenAI) | 1536 | ★★★★ | ★★★★ | 付费 | ★★★★ |
| bge-m3 (BAAI) | 1024 | ★★★★★ | ★★★ | 免费/本地 | ★★★★★ |
| text-embedding-ada-002 | 1536 | ★★★ | ★★★★★ | 便宜 | ★★★ |
| moka-ai/m3e-base | 768 | ★★★★☆ | ★★★★ | 本地免费 | ★★★★ |
| GTE-large-zh (Alibaba-NLP) | 1024 | ★★★★★ | ★★★ | 本地/云 | ★★★★½ |
一句话总结目前最舒服的入门 RAG 路径：
先用 SimpleVectorStore + bge-m3 或 text-embedding-3-small 跑通完整流程 →
理解原理后再迁移到 PGVector / Chroma →
再考虑 高级切分、重排、HyDE、查询改写、多路召回 等优化
需要我帮你把上面代码改成更完整的版本吗？
例如：
- 支持文件上传 pdf/txt/docx → 自动切分 → 入库
- 带相似度分数显示
- 使用 bge-m3 本地 embedding
- 加上重排序（rerank）
告诉我你想往哪个方向深入～ 😄
