北京建设集团网站,北京朝阳区房价,做图库网站需要多少钱,信息流推广方式
核心思路#xff1a;
简单来说#xff0c;就是把PDF文件读取并向量化#xff0c;然后放到向量存储里面#xff0c;再通过大模型#xff0c;来实现问答。
RAG#xff08;检索增强生成#xff09;介绍#xff1a;
检索增强生成#x…
核心思路
简单来说就是把PDF文件读取并向量化然后放到向量存储里面再通过大模型来实现问答。
RAG检索增强生成介绍
检索增强生成RAG是一种结合了信息检索和文本生成的技术旨在提高大模型的响应准确性和相关性。通过将检索模型用于搜索专有数据集或知识库与生成模型如大型语言模型LLM相结合RAG能够利用私有或专有的数据来辅助生成更精确的回答。这样不仅减少了由于缺乏特定背景知识导致的大模型“幻觉”现象还使得生成的内容更加贴合用户的需求和上下文环境特别适合于需要处理企业内部数据的应用场景。
Spring AI alibaba介绍
Spring AI Alibaba 是基于 Spring Ai 构建的用于集成阿里云通义大模型服务的应用框架。它允许开发者通过简单的配置和少量代码将强大的AI能力如对话、文生图等快速融入到 Java 应用程序中。其核心优势在于提供了一套标准化接口使得应用程序能够轻松切换不同的AI提供商而无需大量修改代码同时该框架支持流式输出并提供了Prompt模板等功能来简化开发流程极大地提高了效率和灵活性。通过与Spring Boot生态系统的无缝集成Spring AI Alibaba为开发者打造了一个既高效又便捷的AI应用开发环境。
详细例子
1 后端代码编写
读PDF-向量化-向量存储-读取展现 1. 环境准备
确保你的开发环境满足以下条件
JDK版本在17或以上。
Spring Boot版本为3.3.x或更高。
已经从阿里云申请到了通义千问API的api-key。
2. 配置项目以使用Spring AI Alibaba
2.1 设置API Key
在启动应用之前请设置环境变量AI_DASHSCOPE_API_KEY为你获得的API密钥值并且在application.properties中正确引用它
spring.ai.dashscope.api-key: ${AI_DASHSCOPE_API_KEY}
2.2 添加依赖
需要添加对spring-ai-alibaba-starter的依赖到你的pom.xml文件中并且指定正确的Spring Boot父级依赖。同时不要忘记包含必要的仓库地址以便获取最新的快照版本。
parentgroupIdorg.springframework.boot/groupIdartifactIdspring-boot-staper-parent/artifactIdversion3.3.4/version/parentdependenciesdependencygroupIdcom.alibaba.cloud.ai/groupIdartifactIdspring-ai-alibaba-starter/artifactIdversion1.0.0-M2/version/dependency/dependenciesrepositoriesrepositoryidsonatype-snapshots/idurlhttps://oss.sonatype.org/content/repositories/snapshots/urlsnapshotsenabledtrue/enabled/snapshots/repositoryrepositoryidspring-milestones/idnameSpring Milestones/nameurlhttps://repo.spring.io/milestone/urlsnapshotsenabledfalse/enabled/snapshots/repositoryrepositoryidspring-snapshots/idnameSpring Snapshots/nameurlhttps://repo.spring.io/snapshot/urlreleasesenabledfalse/enabled/releases/repository/repositories3. 编写RAG服务代码
创建一个名为RagService的服务类用于处理与向量存储、文档检索相关的逻辑。该服务还将负责初始化索引构建及查询操作。
public class RagService {private final ChatClient chatClient;private final VectorStore vectorStore;private final DashScopeApi dashscopeApi new DashScopeApi(你的apiKey);DocumentRetriever retriever;public RagService(ChatClient chatClient, EmbeddingModel embeddingModel) {this.chatClient chatClient;vectorStore new DashScopeCloudStore(dashscopeApi, new DashScopeStoreOptions(spring-ai知识库));retriever new DashScopeDocumentRetriever(dashscopeApi, DashScopeDocumentRetrieverOptions.builder().withIndexName(spring-ai知识库).build());}public String buildIndex() {String filePath /path/to/阿里巴巴财报.pdf;DocumentReader reader new DashScopeDocumentCloudReader(filePath, dashscopeApi, null);ListDocument documentList reader.get();vectorStore.add(documentList);return SUCCESS;}public StreamResponseSpec queryWithDocumentRetrieval(String message) {StreamResponseSpec response chatClient.prompt().user(message).advisors(new DocumentRetrievalAdvisor(retriever, DEFAULT_USER_TEXT_ADVISE)).stream();return response;}
}
4. 创建控制器暴露接口
接下来定义一个REST控制器用来接收HTTP请求并将结果返回给客户端。
RestController
RequestMapping(/ai)
public class RagController {private final RagService ragService;public RagController(RagService ragService) {this.ragService ragService;}GetMapping(/steamChat)public FluxString generate(RequestParam(value input, required true) String input,HttpServletResponse httpResponse) {StreamResponseSpec chatResponse ragService.queryWithDocumentRetrieval(input);httpResponse.setCharacterEncoding(UTF-8);return chatResponse.content();}GetMapping(/buildIndex)public String buildIndex() {return ragService.buildIndex();}
}
5. 运行应用程序
在运行此应用程序之前请确保已经完成了索引的构建调用/buildIndex。之后可以通过访问http://localhost:8080/ai/steamChat?input你的问题来查询财务报告中的信息了。
通过上述步骤你就可以成功地利用检索增强技术来处理阿里巴巴财务报表PDF文件并通过一个简单的Web API提供交互式问答功能。这不仅能够帮助用户更高效地查找所需信息同时也展示了如何结合现有技术和工具快速搭建起实用的服务。
检索增强的前端代码编写
构建项目并填写代码
首先创建一个新的 React 应用并安装所需的依赖
npx create-react-app ragChatFrontend
cd ragChatFrontend
npm install
public/index.html
在public/index.html中不需要做特别的修改保持默认即可。
src/index.js
确保你的src/index.js如下所示它负责渲染应用的根组件App
import React from react;
import ReactDOM from react-dom;
import App from ./App;ReactDOM.render(React.StrictModeApp //React.StrictMode,document.getElementById(root)
);
src/App.js
这个文件定义了应用的主要布局。我们在这个例子中将只包含一个聊天组件
import React from react;
import RAGChatComponent from ./components/RAGChatComponent;function App() {return (div classNameAppRAGChatComponent //div);
}export default App;
src/components/RAGChatComponent.js
这是主要的功能实现部分我们将在这里处理用户输入、向后端发送请求以及展示返回的数据流。
import React, { useState } from react;function RAGChatComponent() {const [input, setInput] useState();const [messages, setMessages] useState();const handleInputChange (event) {setInput(event.target.value);};const handleSendMessage async () {if (input.trim() ) return;try {// 发送请求到后端的RAG Chat接口const response await fetch(http://localhost:8080/ai/streamChat?input${encodeURIComponent(input)});const reader response.body.getReader();const decoder new TextDecoder(utf-8);let done false;while (!done) {const { value, done: readerDone } await reader.read();done readerDone;const chunk decoder.decode(value, { stream: true });setMessages((prevMessages) prevMessages chunk);}// 在每次请求完成后添加换行符以区分不同轮次的消息setMessages((prevMessages) prevMessages \n\n\n\n);} catch (error) {console.error(Failed to fetch, error);}};const handleClearMessages () {setMessages();};return (divinputtypetextvalue{input}onChange{handleInputChange}placeholderEnter your message/button onClick{handleSendMessage}Send/buttonbutton onClick{handleClearMessages}Clear/buttondivh3Messages:/h3pre{messages}/pre/div/div);
}export default RAGChatComponent;
运行项目
启动前端服务
cd ragChatFrontend
npm start
解释步骤
我们创建了一个新的React应用并构建了一个简单的界面来与支持检索增强RAG的聊天服务进行交互。
用户可以在文本框内输入消息并通过点击“Send”按钮将其发送给后端。
消息通过HTTP GET请求被发送到指定URL即http://localhost:8080/ai/steamChat?input...。这里使用了fetch API来发起异步请求并且通过读取响应体中的数据流来逐步显示返回的内容。
当接收到新数据块时这些数据会被解码为字符串并追加到当前的消息列表中。
最后在每次请求完成之后都会插入一个分隔线以便于清晰地区分不同的对话回合。
提供了一个清除功能允许用户清空消息历史记录以便开始新一轮对话。
此方案利用了浏览器内置的TextDecoder和ReadableStream API来高效地处理从服务器接收的数据流非常适合于实时性要求较高的应用场景如在线聊天等。
