clearMarkCC的博客

国内访问openAI的服务有多种方式，一种是利用科学上网工具（访问比较慢）代理全局的网络请求openAI的服务，另外一种是通过三方提供的接口转发请求openAI的服务，但是需要花钱。springAI的官方文档：https://spring.io/projects/spring-ai 官方文档介绍得很简单，只要加载一个openai.api-key的值，就能启动了，那么让我们来试一下，其中需要注意的是使用的springboot3.4.1版本，这样项目就创建完成了，接下来我们处理相关的配置。

本文探讨了在使用SpringAI整合OpenAI时遇到的大模型处理长提示词失效问题，并重点介绍了RAG（检索增强生成）技术的解决方案。作者通过BI报表功能案例，说明当输入文档过大时，OpenAI可能无法准确生成所需SQL的问题。文中详细解析了RAG的ETL流程（提取、转换、加载），特别是利用SpringAI的Embedding能力将文档转换为向量存储。同时提出了多种优化策略：输入压缩、向量数据库检索、提示词工程和反馈式交互。最后作者表示将转向模型蒸馏方向研究，并强调数据仓库质量对AI应用的重要性。

本文介绍了SpringAI整合OpenAI的实践，重点讨论提示词设计和结构化输出实现。首先阐述了6种Prompt工程策略，强调清晰表达、任务拆分等原则。然后详细讲解了如何通过自定义DataBeanOutputConverter实现结构化输出，包括JSON Schema生成、字段注释处理等核心功能。文章提供了完整的代码示例，展示如何定义结构化对象（如ActorsFilms类）并调用模型获取格式化数据。最后展望了向BI报表发展的可能性，建议通过模型自动生成SQL实现数据查询。该方案为AI系统集成提供了结构化输出

本文介绍了SpringAI中Embedding模型和向量数据库的应用。Embedding是将数据转化为向量形式的技术，便于计算机处理文本、图像等复杂数据。向量数据库通过相似性搜索而非精确匹配来查询数据，支持检索增强生成(RAG)等AI应用。文章展示了如何将结构化数据(如订单表)和概念文档进行Embedding后存入Redis向量数据库，并提供了Spring Boot集成Redis的代码示例。此外还强调了数据仓库建设和文档沉淀对实现智能BI分析的重要性，通过将表结构说明和业务概念文档向量化，为后续的AI查询提