> ## Documentation Index
> Fetch the complete documentation index at: https://javaai.pig4cloud.com/llms.txt
> Use this file to discover all available pages before exploring further.
# RAG API 增强
### 检索增强器（Retrieval Augmentor）
`RetrievalAugmentor` 是 RAG（检索增强生成）流程的核心，它通过从不同的数据源中检索相关内容来增强用户的消息。
在创建 AI service 时，可以指定 `RetrievalAugmentor` 实例：
```java theme={"system"}
@Bean
public ChatAssistant assistant(ChatModel chatModel, EmbeddingStore embeddingStore) {
DefaultRetrievalAugmentor retrievalAugmentor = DefaultRetrievalAugmentor.builder()
.queryTransformer() // 查询增强
.contentRetriever() // 内容源 单个直接配置
.queryRouter(new DefaultQueryRouter())// 多个内容源，路由
.contentAggregator() // 匹配结果聚合
.contentInjector() // 结果提示词注入
.executor() // 并行化
.build();
return AiServices.builder(ChatAssistant.class)
.chatModel(chatModel)
.chatMemory(MessageWindowChatMemory.withMaxMessages(10))
.retrievalAugmentor(retrievalAugmentor)
.build();
}
```
每次调用 AI 服务时，都会自动使用这个增强器来处理当前的用户消息。你可以使用默认的增强器实现，也可以根据需求自定义。
### 默认检索增强器
LangChain4j 提供了开箱即用的 `RetrievalAugmentor` 实现：`DefaultRetrievalAugmentor`。它适用于大多数的 RAG 场景。这个实现的灵感来源于 [LangChain 博客文章](https://blog.langchain.dev/deconstructing-rag) 和 [相关论文](https://arxiv.org/abs/2312.10997)。
### 查询（Query）
`Query` 代表用户的查询请求，包含查询的文本以及相关的元数据。
#### 查询元数据
`Query` 中的 `Metadata` 包含在 RAG 流程中有用的上下文信息，例如：
* `Metadata.userMessage()`：表示用户输入的原始消息。
* `Metadata.chatMemoryId()`：一个用于标识用户的ID，可以应用在数据访问限制或过滤上。
* `Metadata.chatMemory()`：之前的所有对话消息，用于理解查询的上下文。
### 查询转换器（Query Transformer）
`QueryTransformer` 用于将原始查询转换为一个或多个新的查询，以提高检索的准确性。常见的查询优化方式包括：
* 查询压缩：压缩冗长的对话，生成一个简明的查询。
* 查询扩展：将简单的查询扩展为多个相关的查询。
* 查询重写：对查询进行改写，使其更适合检索。
**示例：**
```java theme={"system"}
QueryTransformer transformer = new CompressingQueryTransformer();
```
#### 默认查询转换器
`DefaultQueryTransformer` 是最简单的实现，它直接传递原始查询而不进行任何修改。
#### 压缩查询转换器
`CompressingQueryTransformer` 使用大语言模型（LLM）压缩查询和对话上下文，生成一个更简洁、独立的查询。例如：
```
用户：告诉我关于John Doe的信息。
AI：John Doe 是一个著名作家。
用户：他住在哪里？
```
对于"他住在哪里？"这样的查询，`CompressingQueryTransformer` 会自动转换为"John Doe 住在哪里？"，以便更精准地检索信息。
#### 扩展查询转换器
`ExpandingQueryTransformer` 可以将简单的查询扩展为多个不同的表达方式，从而提高相关内容的覆盖面。
### 内容（Content）
`Content` 代表系统从数据源中检索到的与查询相关的内容。目前支持的主要是文本内容（`TextSegment`），未来可能会扩展支持其他模态，如图像、音频、视频等。
### 内容检索器（Content Retriever）
`ContentRetriever` 根据用户的查询从底层数据源中获取内容，数据源可以是：
* 嵌入向量存储
* 全文搜索引擎
* 向量与全文检索结合
* 网络搜索引擎
* SQL数据库
* 知识图谱等
#### 嵌入存储内容检索器
`EmbeddingStoreContentRetriever` 使用嵌入模型将查询转化为向量，并从嵌入存储中检索相关的内容。
**示例代码：**
```java theme={"system"}
EmbeddingStore embeddingStore = ...
EmbeddingModel embeddingModel = ...
ContentRetriever contentRetriever = EmbeddingStoreContentRetriever.builder()
.embeddingStore(embeddingStore)
.embeddingModel(embeddingModel)
.maxResults(3) // 返回最多3条结果
.dynamicMaxResults(query -> 3) // 根据查询动态指定maxResults
.minScore(0.75) // 过滤分数低于0.75的内容
.dynamicMinScore(query -> 0.75) // 根据查询动态指定minScore
.filter(metadataKey("userId").isEqualTo("12345")) // 过滤指定用户的内容
.dynamicFilter(query -> {
String userId = getUserId(query.metadata().chatMemoryId());
return metadataKey("userId").isEqualTo(userId); // 动态过滤
})
.build();
```
#### 网络搜索内容检索器
`WebSearchContentRetriever` 通过 `WebSearchEngine` 从互联网上检索相关内容。
**示例代码：**
```java theme={"system"}
WebSearchEngine googleSearchEngine = GoogleCustomWebSearchEngine.builder()
.apiKey(System.getenv("GOOGLE_API_KEY"))
.csi(System.getenv("GOOGLE_SEARCH_ENGINE_ID"))
.build();
ContentRetriever contentRetriever = WebSearchContentRetriever.builder()
.webSearchEngine(googleSearchEngine)
.maxResults(3)
.build();
```
查看完整示例请参考[这里](https://github.com/langchain4j/langchain4j-examples/blob/main/rag-examples/src/main/java/_3_advanced/_08_Advanced_RAG_Web_Search_Example.java)。
#### SQL数据库内容检索器
`SqlDatabaseContentRetriever` 是用于从SQL数据库检索数据的实验性实现。更多信息可参考相关javadoc文档。
#### Azure AI 搜索内容检索器
`AzureAiSearchContentRetriever` 在 `langchain4j-azure-ai-search` 模块中可用。
#### Neo4j内容检索器
`Neo4jContentRetriever` 可用于从Neo4j数据库中检索与查询相关的内容。
### 查询路由器（Query Router）
`QueryRouter` 负责将查询分配到合适的内容检索器。
#### 默认查询路由器
`DefaultQueryRouter` 将每个查询路由到所有配置的内容检索器。
#### 语言模型查询路由器
`LanguageModelQueryRouter` 使用大语言模型（LLM）决定应该将查询发送到哪个检索器。
### 并行化处理
当只有一个查询和一个检索器时，`DefaultRetrievalAugmentor` 会在单线程中执行查询和检索。否则，它会使用 `Executor` 并行处理多个查询和检索任务。默认情况下，系统会使用一个修改后的 `Executors.newCachedThreadPool()` 来实现这一功能，你也可以提供自定义的 `Executor`：
```java theme={"system"}
DefaultRetrievalAugmentor augmentor = DefaultRetrievalAugmentor.builder()
.executor(executor)
.build();
```
**为Java开发者提供全栈式AI工程化解决方案**，强类型/高可维护性架构，内置30+主流大模型支持。
* **🔍 知识引擎体系**：RAG 知识引擎全自动化多模态解决方案
* **📝 AI-OCR 中枢**：复杂非标场景高精度识别
* **⚙️ 业务智能融合**：函数编排 + Chat2SQL，无缝对接现有业务系统
* **🛡️ N维风控体系**：敏感词/IP/Token/User 规则控制引擎
发现文档问题？点击此处直接在 GitHub 上编辑并提交 PR，帮助我们改进文档！
发现文档问题？点击此处直接在 GitHub 上编辑并提交 PR，帮助我们改进文档！