大家好，我是直奔標杆！专注Java开发者AI转型干货分享，和大家一起从零基础吃透Spring AI，稳步向AI工程师进阶～ 今天带来《Spring AI 零基础到实战》系列的第十五课，也是RAG全链路实战的关键一课，干货拉满，建议收藏慢慢练！

回顾上一课（Java开发者AI转型第十四课！Spring AI向量数据库实操：检索召回与相似度检索实战详解），我们已经掌握了用VectorStore和SearchRequest从私有知识库中精准召回相关文档的技巧。相信很多小伙伴实操后都会有一个疑问：按照传统开发思路，召回文档后，是不是还要写for循环提取文本、拼接字符串，再手动塞进Prompt里发给大模型？

其实不用这么繁琐！今天我们就一起解锁Spring AI中最惊艳的“黑科技”——QuestionAnswerAdvisor与RetrievalAugmentationAdvisor，只需一行代码挂载，就能彻底打通“拦截提问→检索向量库→组装上下文→大模型生成”的RAG全链路闭环，告别冗余代码，高效落地私有知识库问答功能！

本节学习目标（一起打卡进阶）

• 痛点直击：搞懂传统手工拼接RAG Prompt的弊端，避免代码臃肿、开发低效的坑；

• 极简实战：上手QuestionAnswerAdvisor，一行代码快速挂载知识库，实现基础问答；

• 架构深挖：拆解源码，搞懂Modular RAG（模块化检索增强）的八道核心流水线；

• 高阶进阶：实战RetrievalAugmentationAdvisor，像搭乐高一样定制企业级RAG引擎！

揭秘：模块化RAG的自动拦截机制

Spring AI的Advisor API，为我们封装了常用的RAG流程，开箱即用，无需重复造轮子。大家可以参考下方架构图（建议保存），清晰看懂RetrievalAugmentationAdvisor的底层执行逻辑：

核心亮点：当你调用ChatClient发送请求时，整个RAG流程都会在后台自动执行，无需手动干预——从接收问题到最终生成答案，全链路闭环，这就是Spring AI的便捷之处！

入门实战：QuestionAnswerAdvisor 一键挂载知识库

如果大家只是想快速开发一个基础的私有知识库问答助手，对RAG流程没有过高的定制需求，官方提供的QuestionAnswerAdvisor完全够用，上手零难度，一起实操起来～

第一步：引入依赖

<!-- 引入问答顾问拦截器，用于基础RAG闭环 -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-advisors-vector-store</artifactId>
</dependency>

第二步：实战案例（可直接复制运行）

/**
 * 账号：直奔標杆
 * 说明：QuestionAnswerAdvisor基础实战，一行代码挂载RAG拦截器
 */
@Test
void testQuestionAnswerAdvisor() {
    // 初始化ChatClient（上一课已实操，此处省略构建细节）
    ChatClient chatClient = chatClientBuild.build();
    // 模拟用户提问（实际开发可替换为前端传入的问题）
    String message = "公司打车怎么报销";
    // 发送请求，挂载RAG拦截器，自动完成检索+上下文组装+生成答案
    String content = chatClient.prompt()
            .user(message)
            .advisors(
                    // 核心：挂载QuestionAnswerAdvisor，关联向量库
                    QuestionAnswerAdvisor.builder(vectorStore)
                            .searchRequest(
                                    SearchRequest.builder()
                                            .topK(3) // 召回前3条最相关文档
                                            .similarityThreshold(0.75) // 相似度阈值，过滤不相关文档
                                            .filterExpression("year == '2026'") // 过滤条件，精准检索
                                            .build()
                            )
                            .build()
            )
            .call() // 发送请求，拦截器自动处理全流程
            .content();
    // 打印结果
    System.out.println(content);
}

第三步：运行结果（实测可用）

根据提供的上下文信息，公司打车报销的具体政策如下： 1. 【夜间加班打车】 - 适用条件：工作日晚上22:00（含）后下班的员工。 - 报销方式：直接通过企业滴滴打车叫车回家，费用由公司企业账户代付，无需个人垫资或贴票。 2. 【部门团建费用】 - 额度：每位转正员工每季度200元。 - 报销要求：需由部门负责人统一策划，并在当季度内完成报销，额度不跨季度累计。 如果您的报销需求不在上述范围内（例如非加班时间的打车或其他费用），则无法根据当前提供的信息回答。请进一步咨询公司财务或行政部门确认其他报销政策。

进阶优化：自定义Prompt模板（贴合业务场景）

默认情况下，QuestionAnswerAdvisor使用的是框架自带的英文Prompt，实际开发中我们可以自定义模板，给AI赋予对应业务人设（比如HR专家、技术顾问）。这里提醒大家：自定义模板必须包含{query}和{question_answer_context}两个占位符——{query}是用户原始问题，{question_answer_context}是向量库检索到的私有资料，缺一不可！

// 自定义Prompt模板，适配HR问答场景
String customPrompt = """
        你现在是公司资深的HR专家，专注解答员工各类规章制度相关问题。请严格基于以下【参考资料】的内容回答，不得捏造任何信息。
        要求：
        1. 语气专业、耐心，符合HR沟通规范；
        2. 若参考资料中无相关信息，直接回复：“很抱歉，当前的规章制度中暂未找到说明。”
        
        【参考资料】：
        ---------------------
        {question_answer_context}
        ---------------------
        【用户问题】：
        ---------------------
        {query}
        ---------------------
        """;

// 挂载拦截器时，传入自定义Prompt模板
QuestionAnswerAdvisor.builder(vectorStore)
                      .promptTemplate(
                              PromptTemplate.builder().template(customPrompt).build()
                      )
                      .build()

修改后运行结果（更贴合HR专业口吻）： 根据公司现行规定，工作日晚上超过22:00（含）下班的员工，可直接使用企业滴滴打车服务叫车回家。费用由公司企业账户统一代付，无需个人垫资和贴票报销。

小贴士：大家可以根据自己的业务场景（比如技术问答、客服咨询）修改Prompt模板，灵活适配需求～

高阶实战：RetrievalAugmentationAdvisor 定制企业级RAG引擎

如果大家开发的是复杂的企业级AI应用，QuestionAnswerAdvisor的灵活性就不够用了。比如：想在检索前优化用户提问、想改变文档拼接逻辑、想增加多轮检索策略……这时就需要用到RetrievalAugmentationAdvisor（检索增强顾问）。

它的核心优势的是：将RAG全流程拆解为模块化组件，我们可以像搭乐高一样，随意替换、组合流水线上的任意组件，完全适配企业级复杂场景，这也是Spring AI架构设计的精妙之处！

第一步：引入依赖

<!-- 引入高级模块化RAG引擎，适配企业级定制需求 -->
<dependency>
   <groupId>org.springframework.ai</groupId>
   <artifactId>spring-ai-rag</artifactId>
</dependency>

第二步：实战案例（企业级常用配置）

/**
 * 账号：直奔標杆
 * 说明：RetrievalAugmentationAdvisor实战，定制模块化RAG引擎
 */
@Test
void testRetrievalAugmentationAdvisor() {
    // 1. 定义文档检索器，配置向量库、相似度阈值、召回数量
    DocumentRetriever retriever = VectorStoreDocumentRetriever.builder()
            .vectorStore(vectorStore)
            .similarityThreshold(0.75)
            .topK(3)
            .build();
    
    // 2. 核心组装：模块化配置RAG流水线
    RetrievalAugmentationAdvisor ragAdvisor = RetrievalAugmentationAdvisor.builder()
            // 优化1：查询润色（将用户模糊提问转化为更精准的检索语句）
            .queryTransformers(RewriteQueryTransformer.builder().chatClientBuilder(chatClientBuilder).build())
            // 优化2：查询扩展（将单个提问拆解为多个语义变体，提升检索覆盖率）
            .queryExpander(MultiQueryExpander.builder().chatClientBuilder(chatClientBuilder).build())
            // 关联检索器
            .documentRetriever(retriever)
            .build();
    
    // 3. 发送请求，挂载定制化RAG引擎
    ChatClient chatClient = chatClientBuilder.build();
    String message = "公司打车怎么报销";
    String content = chatClient.prompt()
            .user(message)
            .advisors(ragAdvisor) // 挂载企业级模块化RAG引擎
            .call()
            .content();
    
    System.out.println(content);
}

第三步：运行结果与核心优势

运行结果： 工作日晚上超过22:00（含）下班的员工可直接用企业滴滴打车回家，费用由公司企业账户代付，无需个人垫资和贴票。

核心优势：即使用户提问比较随意（比如“加班打车能报销不”），后台也会自动完成“提问润色→多维度扩展→并行检索→内容整合”一系列操作，确保最终答案精准、全面，完全适配企业级场景的复杂需求。

源码深挖：模块化RAG的八道核心流水线

很多小伙伴可能会好奇，RetrievalAugmentationAdvisor的底层是如何实现模块化闭环的？下面我们结合源码，一步步拆解这八道流水线（建议结合代码注释理解，新手也能看懂），一起吃透底层逻辑，避免只会用不会懂的尴尬～

@Override
 public ChatClientRequest before(ChatClientRequest chatClientRequest, @Nullable AdvisorChain advisorChain) {
  Map<String, Object> context = new HashMap<>(chatClientRequest.context());

// 1、【接收问题】：封装用户原始提问、历史聊天记录，生成原始查询参数
  Query originalQuery = Query.builder()
   .text(chatClientRequest.prompt().getUserMessage().getText())
   .history(chatClientRequest.prompt().getInstructions())
   .context(context)
   .build();

// 2、【润色问题（QueryTransformer）】：优化用户提问，解决提问模糊、格式不规范的问题，提升检索效率
  Query transformedQuery = originalQuery;
for (var queryTransformer : this.queryTransformers) {
   transformedQuery = queryTransformer.apply(transformedQuery);
  }

// 3、【拆解/展开问题（QueryExpander）】：将单个提问拆解为多个语义变体，覆盖更多检索角度，避免遗漏相关文档
  List<Query> expandedQueries = this.queryExpander != null ? this.queryExpander.expand(transformedQuery)
    : List.of(transformedQuery);

// 4、【批量查询资料】：并行检索多个扩展后的提问，提升检索速度，获取更全面的文档
  Map<Query, List<List<Document>>> documentsForQuery = expandedQueries.stream()
   .map(query -> CompletableFuture.supplyAsync(() -> getDocumentsForQuery(query), this.taskExecutor))
   .toList()
   .stream()
   .map(CompletableFuture::join)
   .collect(Collectors.toMap(Map.Entry::getKey, entry -> List.of(entry.getValue())));

// 5、【整合资料】：合并多个检索结果，去重、排序，筛选出最相关的文档
  List<Document> documents = this.documentJoiner.join(documentsForQuery);

// 6、【后置审核】：对筛选后的文档进行二次处理，删除冗余、不相关内容，压缩文档体积，减少噪声
for (var documentPostProcessor : this.documentPostProcessors) {
   documents = documentPostProcessor.process(originalQuery, documents);
  }
// 将最终文档存入上下文，供后续使用
  context.put(DOCUMENT_CONTEXT, documents);

// 7、【合并内容】：将用户原始提问与筛选后的文档，组装成符合大模型要求的Prompt
  Query augmentedQuery = this.queryAugmenter.augment(originalQuery, documents);

// 8、【最终查询】：将组装好的Prompt发送给大模型，生成最终答案
return chatClientRequest.mutate()
   .prompt(chatClientRequest.prompt().augmentUserMessage(augmentedQuery.text()))
   .context(context)
   .build();
 }

小结：这八道流水线环环相扣，每一步都可以单独定制替换，这就是模块化RAG的核心价值——灵活、可扩展，既能满足基础需求，也能适配企业级复杂场景。

进阶技巧：私有知识 + 长期记忆，打造更智能的对话机器人

给大家分享一个实用技巧：Spring AI中的Advisor（顾问拦截器）支持无限叠加！结合我们第七课学的MessageChatMemoryAdvisor（实现AI对话记忆），就能打造一个“既能记住历史对话，又精通公司私有规章制度”的智能业务机器人，实战价值拉满～

下面是伪代码演示（可直接整合到实际项目中），大家可以参考实操：

// 伪代码演示：多重AOP增强，组合RAG与对话记忆
chatClient.prompt()
    .user(message)
    .advisors(
        // 增强1：赋予AI长期记忆（记住历史对话，解决多轮上下文问答）
        MessageChatMemoryAdvisor.builder(chatMemory).build(),
        
        // 增强2：赋予AI私有知识（挂载模块化RAG引擎，检索私有知识库）
        RetrievalAugmentationAdvisor.builder()
            .documentRetriever(retriever)
            .build()
    )
    .call()
    .content();

这里不得不夸一下Spring AI的架构设计——所有功能模块完全解耦，随插随用，无需修改核心代码，极大提升了开发效率，这也是我们Java开发者转型AI时，优先选择Spring AI的核心原因之一！

本节课总结（一起复盘，巩固知识点）

到本节课为止，我们已经彻底打通了RAG（检索增强生成）全链路，从文档抽取、切片、向量化入库，到今天的全链路闭环，每一步都是实战必备技能。我们一起复盘一下RAG全链路的核心要点（建议收藏）：

• E（抽取）：用DocumentReader抽取PDF、Markdown等格式的私有文档；

• T（转换）：用自定义SemanticTokenTextSplitter对文档进行精准切片，避免语义被暴力切断；

• L（加载）：用Embedding技术将文本向量化，存入向量库，完成知识库搭建；

• G（生成）：用本节课学的RetrievalAugmentationAdvisor，一行代码组装模块化流水线，实现RAG全链路闭环！

恭喜大家！现在的你们，已经完全具备了独立开发一个私有知识库AI问答助手的核心技术能力，赶紧把今天的案例实操一遍，把知识转化为实战能力～ 坚持打卡，我们一起向AI工程师标杆迈进！

下节预告（精彩不容错过）

目前我们实现的AI，不管检索能力多强，本质上都只能被动“读取”知识，无法主动操作外部工具。比如用户说“帮我查一下今天杭州到北京的机票”“把这份周报发给老板并创建日历会议”，AI就无从下手——因为它没有“双手”去操作外部系统。

下一课（Java开发者AI转型第十六课！赋予AI真实的双手！一行代码打通Tool Calling自动闭环状态机），我们将打破这层物理枷锁，带大家吃透AI走向终极智能体（Agent）的灵魂技术——Tool Calling（工具调用），让AI能主动调用外部工具，完成各类实际任务！

精彩继续，咱们下节课不见不散～

往期回顾（循序渐进，拒绝跳跃）

• Java开发者AI转型第十二课！吃透Embeddings向量化：让Java代码读懂文本语义

• Java开发者AI转型第十三课！知识库终局方案：Spring AI Vector Store架构演进与ETL全链路入库实战

• Java开发者AI转型第十四课！Spring AI向量数据库实操：检索召回与相似度检索实战详解

我是直奔標杆，专注Java开发者AI转型干货分享，每一节课都结合实战案例，让大家能快速上手、学以致用。如果大家在实操中遇到问题，欢迎在评论区留言交流，我们一起探讨、一起进步，共同向AI工程师标杆冲刺 💪