YeLogs.com
知識庫

知識庫 / Spring / Spring AI RSS 訂閱

使用 MongoDB 和 Spring AI 構建 RAG 應用

Artificial Intelligence,Spring AI
HongKong
9
10:57 AM · Dec 06 ,2025

1. 概述

使用人工智能技術已成為現代開發中的關鍵技能。 在本文中，我們將構建一個基於 RAG Wiki 應用程序，該應用程序可以根據存儲的文檔回答問題。

我們將使用 Spring AI 將我們的應用程序與 MongoDB 向量數據庫和LLM集成。

2. RAG 應用

我們使用檢索增強生成 (RAG) 應用，當自然語言生成需要依賴上下文數據時。 RAG 應用的關鍵組成部分是向量數據庫，它在有效地管理和檢索這些數據方面發揮着至關重要的作用：

我們使用 嵌入模型 處理源文檔。 嵌入模型將我們文檔中的文本轉換為高維向量。 這些向量捕捉了內容的語義含義，允許我們根據上下文而不是僅僅關鍵詞匹配來比較和檢索相似內容。 然後我們將文檔存儲在向量存儲中。

在將文檔保存後，我們可以按照以下方式發送提示：

  • 首先，我們使用嵌入模型處理問題，將其轉換為捕捉其語義含義的向量。
  • 接下來，我們執行相似性搜索，將問題的向量與向量存儲中存儲的向量進行比較。
  • 從最相關的文檔中，我們構建問題的上下文。
  • 最後，我們將問題及其上下文發送到 LLM，該 LLM 會構建與查詢相關的響應，並受提供的上下文豐富。

3. MongoDB Atlas 向量搜索

在本教程中，我們將使用 MongoDB Atlas Search 作為我們的向量存儲。它提供 向量搜索 功能，以滿足我們本項目的需求。為了在測試目的下設置本地 MongoDB Atlas Search 實例，我們將使用 mongodb-atlas-local Docker 容器。讓我們創建一個 docker-compose.yml 文件：

version: '3.1'

services:
  my-mongodb:
    image: mongodb/mongodb-atlas-local:7.0.9
    container_name: my-mongodb
    environment:
      - MONGODB_INITDB_ROOT_USERNAME=wikiuser
      - MONGODB_INITDB_ROOT_PASSWORD=password
    ports:
      - 27017:27017

4. 依賴項和配置

首先，添加必要的依賴項。由於我們的應用程序將提供 HTTP API，我們將包含 <em >spring-boot-starter-web</em> 依賴項：依賴項。

<dependency>
    <groupId>org.springframework.boot</groupId> 
    <artifactId>spring-boot-starter-web</artifactId>
    <version>LATEST_VERSION</version>
</dependency>

此外，我們還將使用 Open AI API 客户端 與 LLM 連接，因此我們還需要添加它的 依賴項：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
    <version>LATEST_VERSION</version>
</dependency>

最後，我們將添加 MongoDB Atlas Store 依賴項：。

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-mongodb-atlas-store-spring-boot-starter</artifactId>
    <version>LATEST_VERSION</version>
</dependency>

現在，讓我們為我們的應用程序添加配置屬性：

spring:
  data:
    mongodb:
      uri: mongodb://wikiuser:password@localhost:27017/admin
      database: wiki
  ai:
    vectorstore:
      mongodb:
        collection-name: vector_store
        initialize-schema: true
        path-name: embedding
        indexName: vector_index
    openai:
      api-key: ${OPENAI_API_KEY}
      chat:
        options:
          model: gpt-3.5-turbo

我們已指定 MongoDB URL 和數據庫，並已通過設置集合名稱、嵌入字段名稱和向量索引名稱配置了我們的向量存儲。多虧了 initialize-schema 屬性，所有這些 Artifacts 將由 Spring AI 框架自動創建。

最後，我們添加了 OpenAI API 密鑰和模型版本。

5. 將文檔保存到向量存儲

現在，我們將添加將數據保存到向量存儲的流程。我們的應用程序將負責根據現有文檔為用户提供答案——本質上，它將作為一個類似於維基的系統運行。

讓我們添加一個模型，用於存儲文件的內容以及文件路徑：

public class WikiDocument {
    private String filePath;
    private String content;

    // standard getters and setters
}

下一步，我們將添加 WikiDocumentsRepository。 在這個倉庫中，我們封裝了所有的持久化邏輯：

import org.springframework.ai.document.Document;
import org.springframework.ai.transformer.splitter.TokenTextSplitter;

@Component
public class WikiDocumentsRepository {
    private final VectorStore vectorStore;

    public WikiDocumentsRepository(VectorStore vectorStore) {
        this.vectorStore = vectorStore;
    }

    public void saveWikiDocument(WikiDocument wikiDocument) {

        Map<String, Object> metadata = new HashMap<>();
        metadata.put("filePath", wikiDocument.getFilePath());
        Document document = new Document(wikiDocument.getContent(), metadata);
        List<Document> documents = new TokenTextSplitter().apply(List.of(document));

        vectorStore.add(documents);
    }
}

在這裏，我們注入了 VectorStore 接口 Bean，它將被 MongoDBAtlasVectorStore 實現，該實現由 spring-ai-mongodb-atlas-store-spring-boot-starter 提供。 在 saveWikiDocument 方法中，我們創建了一個 Document 實例並用內容和元數據填充它。

Then we use TokenTextSplitter to break the document into smaller chunks and save them in our vector store。

@Service
public class WikiDocumentsServiceImpl {
    private final WikiDocumentsRepository wikiDocumentsRepository;

    // constructors

    public void saveWikiDocument(String filePath) {
        try {
            String content = Files.readString(Path.of(filePath));
            WikiDocument wikiDocument = new WikiDocument();
            wikiDocument.setFilePath(filePath);
            wikiDocument.setContent(content);

            wikiDocumentsRepository.saveWikiDocument(wikiDocument);
        } catch (IOException e) {
            throw new RuntimeException(e);
        }
    }
}

在服務層，我們檢索文件內容，創建 WikiDocument 實例，並將它們發送到存儲庫進行持久化。

在控制器中，我們只需將文件路徑傳遞到服務層，並在文檔保存成功時返回 201 狀態碼：

@RestController
@RequestMapping("wiki")
public class WikiDocumentsController {
    private final WikiDocumentsServiceImpl wikiDocumentsService;

    // constructors

    @PostMapping
    public ResponseEntity<Void> saveDocument(@RequestParam String filePath) {
        wikiDocumentsService.saveWikiDocument(filePath);

        return ResponseEntity.status(201).build();
    }
}

我們應該關注該端點的安全方面。存在潛在漏洞，用户可能通過該端點上傳意外的文件，例如配置或系統文件。作為解決方案，我們可以限制允許上傳的目錄。現在，讓我們啓動我們的應用程序並查看我們的流程如何運行。讓我們添加 Spring Boot 測試依賴項，這將允許我們設置測試 Web 上下文：

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-test</artifactId>
    <version>LATEST_VERSION</version>
</dependency>

現在，我們將啓動測試應用程序實例並調用 POST 端點，處理兩個文檔：

@AutoConfigureMockMvc
@ExtendWith(SpringExtension.class)
@SpringBootTest
class RAGMongoDBApplicationManualTest {

    @Autowired
    private MockMvc mockMvc;

    @Test
    void givenMongoDBVectorStore_whenCallingPostDocumentEndpoint_thenExpectedResponseCodeShouldBeReturned() throws Exception {
        mockMvc.perform(post("/wiki?filePath={filePath}",
          "src/test/resources/documentation/owl-documentation.md"))
          .andExpect(status().isCreated());

        mockMvc.perform(post("/wiki?filePath={filePath}",
          "src/test/resources/documentation/rag-documentation.md"))
          .andExpect(status().isCreated());
    }
}

兩個調用都應返回 201 狀態碼，因此文檔已成功添加。我們可以使用 MongoDB Compass 來確認文檔是否已成功保存到向量存儲中：

如我們所見 – 兩個文檔都已保存。 我們可以查看原始內容以及嵌入數組。

6. 相似性搜索

讓我們添加相似性搜索功能。我們將包含一個 findSimilarDocuments 方法在我們的存儲庫中：

@Component
public class WikiDocumentsRepository {
    private final VectorStore vectorStore;

    public List<WikiDocument> findSimilarDocuments(String searchText) {

        return vectorStore
          .similaritySearch(SearchRequest
            .query(searchText)
            .withSimilarityThreshold(0.87)
            .withTopK(10))
          .stream()
          .map(document -> {
              WikiDocument wikiDocument = new WikiDocument();
              wikiDocument.setFilePath((String) document.getMetadata().get("filePath"));
              wikiDocument.setContent(document.getContent());

              return wikiDocument;
          })
          .toList();
    }
}

我們調用了 VectorStore 中的 similaritySearch 方法。除了搜索文本之外，我們還指定了結果限制和相似度閾值。 相似度閾值參數允許我們控制文檔內容與搜索文本的匹配程度。

在服務層中，我們將調用到存儲庫：

public List<WikiDocument> findSimilarDocuments(String searchText) {
    return wikiDocumentsRepository.findSimilarDocuments(searchText);
}

在控制器中，讓我們添加一個 GET 端點，它接收搜索文本作為參數並將其傳遞給服務：

@RestController
@RequestMapping("/wiki")
public class WikiDocumentsController {
    @GetMapping
    public List<WikiDocument> get(@RequestParam("searchText") String searchText) {
        return wikiDocumentsService.findSimilarDocuments(searchText);
    }
}

現在讓我們調用我們的新端點，並查看相似性搜索是如何工作的：

@Test
void givenMongoDBVectorStoreWithDocuments_whenMakingSimilaritySearch_thenExpectedDocumentShouldBePresent() throws Exception {
    String responseContent = mockMvc.perform(get("/wiki?searchText={searchText}", "RAG Application"))
      .andExpect(status().isOk())
      .andReturn()
      .getResponse()
      .getContentAsString();

    assertThat(responseContent)
      .contains("RAG AI Application is responsible for storing the documentation");
}

我們使用包含非精確匹配的搜索文本調用了該端點。 但是，我們仍然檢索到了包含相似內容的文檔，並確認該文檔中包含我們在 rag-documentation.md文件中存儲的文本。

7. 提示端點

讓我們開始構建提示流程，這是我們應用程序的核心功能。我們將從 AdvisorConfiguration 開始：

@Configuration
public class AdvisorConfiguration {

    @Bean
    public QuestionAnswerAdvisor questionAnswerAdvisor(VectorStore vectorStore) {
        return new QuestionAnswerAdvisor(vectorStore, SearchRequest.defaults());
    }
}

我們已創建了一個 QuestionAnswerAdvisor Bean，負責構建提示請求，包括初始問題。 此外，它還將向量存儲的相似性搜索響應作為上下文附加到問題中。 接下來，讓我們為我們的 API 添加搜索端點：

@RestController
@RequestMapping("/wiki")
public class WikiDocumentsController {
    private final WikiDocumentsServiceImpl wikiDocumentsService;
    private final ChatClient chatClient;
    private final QuestionAnswerAdvisor questionAnswerAdvisor;

    public WikiDocumentsController(WikiDocumentsServiceImpl wikiDocumentsService,
                                   @Qualifier("openAiChatModel") ChatModel chatModel,
                                   QuestionAnswerAdvisor questionAnswerAdvisor) {
        this.wikiDocumentsService = wikiDocumentsService;
        this.questionAnswerAdvisor = questionAnswerAdvisor;
        this.chatClient = ChatClient.builder(chatModel).build();
    }

    @GetMapping("/search")
    public String getWikiAnswer(@RequestParam("question") String question) {
        return chatClient.prompt()
          .user(question)
          .advisors(questionAnswerAdvisor)
          .call()
          .content();
    }
}

在這裏，我們通過將用户的輸入添加到提示中並附加我們的 QuestionAnswerAdvisor，構建了提示請求。

最後，我們調用端點並查看它對 RAG 應用所提供的信息。

@Test
void givenMongoDBVectorStoreWithDocumentsAndLLMClient_whenAskQuestionAboutRAG_thenExpectedResponseShouldBeReturned() throws Exception {
    String responseContent = mockMvc.perform(get("/wiki/search?question={question}", "Explain the RAG Applications"))
      .andExpect(status().isOk())
      .andReturn()
      .getResponse()
      .getContentAsString();

    logger.atInfo().log(responseContent);

    assertThat(responseContent).isNotEmpty();
}

我們將問題“解釋 RAG 應用”發送到我們的端點，並記錄了 API 響應：

b.s.r.m.RAGMongoDBApplicationManualTest : Based on the context provided, the RAG AI Application is a tool 
used for storing documentation and enabling users to search for specific information efficiently...

如我們所見，端點返回了關於基於我們先前在向量數據庫中保存的文檔文件的 RAG 應用的信息。

現在，讓我們嘗試詢問一些我們肯定沒有在知識庫中：

@Test
void givenMongoDBVectorStoreWithDocumentsAndLLMClient_whenAskUnknownQuestion_thenExpectedResponseShouldBeReturned() throws Exception {
    String responseContent = mockMvc.perform(get("/wiki/search?question={question}", "Explain the Economic theory"))
      .andExpect(status().isOk())
      .andReturn()
      .getResponse()
      .getContentAsString();

    logger.atInfo().log(responseContent);

    assertThat(responseContent).isNotEmpty();
}

現在我們已經討論了經濟理論，以下是對此的回答：

b.s.r.m.RAGMongoDBApplicationManualTest : I'm sorry, but the economic theory is not directly related to the information provided about owls and the RAG AI Application.
If you have a specific question about economic theory, please feel free to ask.

這次，我們的應用程序沒有找到任何相關文檔，並且沒有使用任何其他來源提供答案。

8. 結論

在本文中，我們成功地使用 Spring AI 框架構建了一個 RAG 應用，這是一個集成的各種 AI 技術的高效工具。 此外， MongoDB 也被證明是處理向量存儲的強大選擇。

憑藉這種強大的組合，我們可以為各種目的構建現代 AI 驅動的應用，包括聊天機器人、自動化維基系統和搜索引擎。

如往常一樣，代碼可以在 GitHub 上找到。

user avatar
0 位用戶收藏了這個故事！
收藏

發佈 評論

Some HTML is okay.