Spring AI与DeepSeek实战三：打造企业知识库

一、概述

企业应用集成大语言模型（LLM）落地的两大痛点：

• 知识局限性：LLM依赖静态训练数据，无法覆盖实时更新或垂直领域的知识；
• 幻觉：当LLM遇到训练数据外的提问时，可能生成看似合理但错误的内容。

用最低的成本解决以上问题，需要使用 RAG 技术，它是一种结合信息检索技术与 LLM 的框架，通过从外部 知识库 动态检索相关上下文信息，并将其作为 Prompt 融入生成过程，从而提升模型回答的准确性;

本文将以AI智能搜索为场景，基于 Spring AI 与 RAG 技术结合，通过构建实时知识库增强大语言模型能力，实现企业级智能搜索场景与个性化推荐，攻克 LLM 知识滞后与生成幻觉两大核心痛点。

关于 Spring AI 与 DeepSeek 的集成，以及 API-KEY 的申请等内容，可参考文章《Spring AI与DeepSeek实战一：快速打造智能对话应用》

 

二、RAG数据库选择

构建知识库的数据库一般有以下有两种选择：

维度	向量数据库	知识图谱
数据结构	非结构化数据（文本/图像向量）	结构化关系网络（实体-关系-实体）
查询类型	语义相似度检索	多跳关系推理
典型场景	文档模糊匹配、图像检索	供应链追溯、金融风控
性能指标	QPS>5000	复杂查询响应时间>2s
开发成本	低（API即用）	高（需构建本体模型）

搜索推荐场景更适合选择 向量数据库

 

三、向量模型

向量模型是实现 RAG 的核心组件之一，用于将非结构化数据（如文本、图像、音频）转换为 高维向量（Embedding）的机器学习模型。这些向量能够捕捉数据的语义或结构信息，使计算机能通过数学运算处理复杂关系。

向量数据库是专门存储、索引和检索高维向量的数据库系统

spring-ai-alibaba-starter 默认的向量模型为 text-embedding-v1

可以通过 spring.ai.dashscope.embedding.options.model 进行修改。

 

四、核心代码

4.1. 构建向量数据

创建 resources/rag/data-resources.txt 文件，内容如下：

1. {
   
   "type":"api","name":"测试api服务01","topic":"综合政务","industry":"采矿业","remark":"获取采矿明细的API服务"}
2. {
   
   "type":"api","name":"新能源车类型"