如果你
使用的是 **
LangChain4j**（即
Java 版本的
LangChain），并且已经选择了 Qdrant 作为向量数据库来
搭建 RAG
系统，那么你可以通过以下方式在
Java 中实现本地知识库检索增强生成（RAG）
系统。
---
### ✅
使用 LangChain4j + Qdrant 构建 RAG 的步骤
####
1. 添加依赖项（Maven）
你需要引入以下依赖：
```xml
<dependencies>
<!
-- LangChain4j 核心
-->
<dependency>
<groupId dev.
langchain4j</groupId>
<artifactId>
langchain4j
-core</artifactId>
<version>0.24.0</version> <!
-- 请根据需要更新版本
-->
</dependency>
<!
-- 文档加载与分块
-->
<dependency>
<groupId>dev.
langchain4j</groupId>
<artifactId>
langchain4j
-document
-loader</artifactId>
<version>0.24.0</version>
</dependency>
<!
-- 嵌入模型支持
-->
<dependency>
<groupId>dev.
langchain4j</groupId>
<artifactId>
langchain4j
-embedding
-all
-minilm
-l6
-v2</artifactId>
<version>0.24.0</version>
</dependency>
<!
-- Qdrant 向量存储
-->
<dependency>
<groupId>dev.
langchain4j</groupId>
<artifactId>
langchain4j
-qdrant</artifactId>
<version>0.24.0</version>
</dependency>
</dependencies>
```
---
#### 2. 加载文档并进行分块处理
```
java
import dev.
langchain4j.data.document.Document;
import dev.
langchain4j.data.segment.TextSegment;
import dev.
langchain4j.document.parser.TextDocumentParser;
import dev.
langchain4j.document.splitter.RecursiveCharacterTextSplitter;
import
java.io.File;
import
java.io.IOException;
import
java.nio.file.Files;
import
java.nio.file.Paths;
public class DocumentLoader {
public static List<TextSegment> loadAndSplit(String filePath) throws IOException {
String text = Files.readString(Paths.get(filePath));
Document document = Document.from(text);
RecursiveCharacterTextSplitter splitter = new RecursiveCharacterTextSplitter(500, 50);
return splitter.split(document);
}
}
```
---
#### 3. 初始化嵌入模型（AllMiniLM
-L6
-v2）
```
java
import dev.
langchain4j.model.embedding.AllMiniLmL6V2EmbeddingModel;
import dev.
langchain4j.model.embedding.EmbeddingModel;
public class EmbeddingSetup {
public static EmbeddingModel createEmbeddingModel() {
return new AllMiniLmL6V2EmbeddingModel();
}
}
```
---
#### 4.
使用 Qdrant 作为向量数据库
```
java
import dev.
langchain4j.data.segment.TextSegment;
import dev.
langchain4j.store.embedding.qdrant.QdrantEmbeddingStore;
import dev.
langchain4j.model.embedding.EmbeddingModel;
import
java.util.List;
public class QdrantSetup {
public static void storeToQdrant(List<TextSegment> segments, EmbeddingModel embeddingModel) {
QdrantEmbeddingStore qdrantStore = QdrantEmbeddingStore.builder()
.host("http
://localhost
:6333")
.collectionName("my_collection")
.embeddingModel(embeddingModel)
.build();
qdrantStore.addAll(segments);
}
}
```
---
#### 5. 查询 Qdrant 并生成答案
```
java
import dev.
langchain4j.retriever.EmbeddingStoreRetriever;
import dev.
langchain4j.chain.retrieval.RetrievalChain;
import dev.
langchain4j.model.chat.
ChatGPT;
import dev.
langchain4j.model.chat.ChatLanguageModel;
public class RagQuery {
public static void queryAndAnswer(String question, EmbeddingModel embeddingModel) {
QdrantEmbeddingStore qdrantStore = QdrantEmbeddingStore.builder()
.host("http
://localhost
:6333")
.collectionName("my_collection")
.embeddingModel(embeddingModel)
.build();
EmbeddingStoreRetriever retriever = EmbeddingStoreRetriever.from(qdrantStore);
ChatLanguageModel chatModel =
ChatGPT.builder()
.
apiKey("your
-api-key")
.build();
RetrievalChain chain = RetrievalChain.from(chatModel, retriever);
String answer = chain.invoke(question);
System.out.println(answer);
}
}
```
---
### ✅ 总结流程图
```
用户问题
↓
LangChain4j 调用 Embedding Model 向量化
↓
Qdrant 检索最相关文本片段
↓
拼接上下文 → 输入 LLM 生成回答
```
---
### ✅ 注意事项
- 确保 Qdrant 服务已启动。
- 如果
使用远程 Qdrant 云服务，请填写正确的 `host` 和
API Key。
- 可以替换为其他嵌入模型（如 BGE、Instructor
-XL 等）。
---
本文介绍如何通过ChatGPTAPI构建复杂的智能问答系统，以客服助手为例，讲解链式调用Prompt、选择最佳实践以及提供Java开发者的迁移路径。配套代码可在GitHub找到。
扫一扫
2165
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
