package com.huangge1199.aiagent.Service.impl; import com.huangge1199.aiagent.Service.RagService; import com.huangge1199.aiagent.config.MyLoggerAdvisor; import com.huangge1199.aiagent.rag.MyMultiQueryExpander; import jakarta.annotation.Resource; import org.springframework.ai.chat.client.ChatClient; import org.springframework.ai.chat.client.advisor.QuestionAnswerAdvisor; import org.springframework.ai.chat.client.advisor.RetrievalAugmentationAdvisor; import org.springframework.ai.chat.client.advisor.api.Advisor; import org.springframework.ai.chat.messages.AssistantMessage; import org.springframework.ai.chat.messages.UserMessage; import org.springframework.ai.chat.model.ChatModel; import org.springframework.ai.document.Document; import org.springframework.ai.embedding.EmbeddingModel; import org.springframework.ai.rag.Query; import org.springframework.ai.rag.generation.augmentation.ContextualQueryAugmenter; import org.springframework.ai.rag.preretrieval.query.transformation.CompressionQueryTransformer; import org.springframework.ai.rag.preretrieval.query.transformation.QueryTransformer; import org.springframework.ai.rag.preretrieval.query.transformation.RewriteQueryTransformer; import org.springframework.ai.rag.preretrieval.query.transformation.TranslationQueryTransformer; import org.springframework.ai.rag.retrieval.search.DocumentRetriever; import org.springframework.ai.rag.retrieval.search.VectorStoreDocumentRetriever; import org.springframework.ai.vectorstore.VectorStore; import org.springframework.ai.vectorstore.SimpleVectorStore; import org.springframework.ai.vectorstore.filter.FilterExpressionBuilder; import org.springframework.stereotype.Service; import java.util.ArrayList; import java.util.List; import java.util.Map; /** * RagServiceImpl * * @author huangge1199 * @since 2025/5/24 9:21:38 */ @Service public class RagServiceImpl implements RagService { @Resource private ChatClient chatClient; @Resource private VectorStore vectorStore; @Resource private ChatModel ollamaChatModel; @Resource private EmbeddingModel ollamaEmbeddingModel; @Override public String localDoc(String question) { return chatClient.prompt().user(question).advisors(new MyLoggerAdvisor()).advisors(new QuestionAnswerAdvisor(vectorStore)).call().content(); } @Override public List getMultiQueryExpand(String question) { ChatClient.Builder builder = ChatClient.builder(ollamaChatModel); ChatClient chatClient = builder.defaultSystem("你是一位专业的室内设计顾问，精通各种装修风格、材料选择和空间布局。请基于提供的参考资料，为用户提供专业、详细且实用的建议。在回答时，请注意：\n" + "1. 准确理解用户的具体需求\n" + "2. 结合参考资料中的实际案例\n" + "3. 提供专业的设计理念和原理解释\n" + "4. 考虑实用性、美观性和成本效益\n" + "5. 如有需要，可以提供替代方案").build(); // MultiQueryExpander queryExpander = MultiQueryExpander.builder() MyMultiQueryExpander queryExpander = MyMultiQueryExpander.builder().chatClientBuilder(builder) // 不包含原始查询 .includeOriginal(false) // 生成3个查询变体 .numberOfQueries(4).build(); return queryExpander.expand(new Query(question)); } @Override public String queryRewrite(String question) { ChatClient.Builder builder = ChatClient.builder(ollamaChatModel); // 创建一个模拟用户学习AI的查询场景 Query query = new Query(question); // 创建查询重写转换器 QueryTransformer queryTransformer = RewriteQueryTransformer.builder().chatClientBuilder(builder).build(); // 执行查询重写 Query transformedQuery = queryTransformer.transform(query); return transformedQuery.text(); } @Override public String queryTranslation(String question) { ChatClient.Builder builder = ChatClient.builder(ollamaChatModel); // 创建一个英文查询 Query query = new Query(question); // 创建查询翻译转换器，设置目标语言为中文 QueryTransformer queryTransformer = TranslationQueryTransformer.builder().chatClientBuilder(builder) // 设置目标语言为中文 .targetLanguage("chinese").build(); // 执行查询翻译 Query transformedQuery = queryTransformer.transform(query); // 输出翻译后的查询 return transformedQuery.text(); } @Override public String contextAwareQueries(String question) { ChatClient.Builder builder = ChatClient.builder(ollamaChatModel); // 构建带有历史上下文的查询 // 这个例子模拟了一个房地产咨询场景，用户先问小区位置，再问房价 Query query = Query.builder() // 当前用户的提问 .text(question) // 历史对话中用户的问题 .history(new UserMessage("深圳市南山区的碧海湾小区在哪里?"), // AI的回答 new AssistantMessage("碧海湾小区位于深圳市南山区后海中心区，临近后海地铁站。")).build(); // 创建查询转换器 // QueryTransformer用于将带有上下文的查询转换为完整的独立查询 QueryTransformer queryTransformer = CompressionQueryTransformer.builder() .chatClientBuilder(builder) .build(); // 执行查询转换 // 将模糊的代词引用（"这个小区"）转换为明确的实体名称（"碧海湾小区"） Query transformedQuery = queryTransformer.transform(query); return transformedQuery.text(); } @Override public String baseAdvisor(String question) { Advisor advisor = RetrievalAugmentationAdvisor.builder() .documentRetriever(VectorStoreDocumentRetriever.builder() .vectorStore(vectorStore) .build()) .build(); return advisor(question, advisor); } @Override public String advancedAdvisor(String question) { Advisor advisor = RetrievalAugmentationAdvisor.builder() // 配置查询增强器 .queryAugmenter(ContextualQueryAugmenter.builder() // 允许空上下文查询 .allowEmptyContext(true) .build()) // 配置文档检索器 .documentRetriever(VectorStoreDocumentRetriever.builder() .vectorStore(vectorStore) // 相似度阈值 .similarityThreshold(0.5) // 返回文档数量 .topK(3) .filterExpression(new FilterExpressionBuilder() .eq("genre", "fairytale") .build()) // 文档过滤表达式 .build()) .build(); return advisor(question, advisor); } /** * 检索增强顾问 * * @param question 问题 * @param advisor 检索增强顾问 * @return 查询结果 */ private String advisor(String question, Advisor advisor) { // 1. 初始化向量存储 SimpleVectorStore vectorStore = SimpleVectorStore.builder(ollamaEmbeddingModel) .build(); // 2. 添加文档到向量存储 List documents = List.of( new Document("产品说明书:产品名称：智能机器人\n" + "产品描述：智能机器人是一个智能设备，能够自动完成各种任务。\n" + "功能：\n" + "1. 自动导航：机器人能够自动导航到指定位置。\n" + "2. 自动抓取：机器人能够自动抓取物品。\n" + "3. 自动放置：机器人能够自动放置物品。\n")); vectorStore.add(documents); // 3. 创建检索增强顾问 advisor // 4. 在聊天客户端中使用顾问 return chatClient.prompt() .user(question) // 添加检索增强顾问 .advisors(advisor) .call() .content(); } @Override public String documentSelection() { ChatClient.Builder builder = ChatClient.builder(ollamaChatModel); // 生成室内设计案例文档 List documents = new ArrayList<>(); // 现代简约风格客厅案例 documents.add(new Document( "案例编号：LR-2023-001\n" + "项目概述：180平米大平层现代简约风格客厅改造\n" + "设计要点：\n" + "1. 采用5.2米挑高的落地窗，最大化自然采光\n" + "2. 主色调：云雾白(哑光，NCS S0500-N)配合莫兰迪灰\n" + "3. 家具选择：意大利B&B品牌真皮沙发，北欧白橡木茶几\n" + "4. 照明设计：嵌入式筒灯搭配意大利Flos吊灯\n" + "5. 软装配饰：进口黑胡桃木电视墙，几何图案地毯\n" + "空间效果：通透大气，适合商务接待和家庭日常起居", Map.of( // 文档类型 "type", "interior", // 年份 "year", "2023", // 月份 "month", "06", // 位置类型 "location", "indoor", // 装修风格 "style", "modern", // 房间类型 "room", "living_room" ) )); // 1. 初始化向量存储 SimpleVectorStore vectorStore = SimpleVectorStore.builder(ollamaEmbeddingModel) .build(); // 2. 配置AI助手角色 ChatClient chatClient = builder .defaultSystem("你是一位专业的室内设计顾问，精通各种装修风格、材料选择和空间布局。请基于提供的参考资料，为用户提供专业、详细且实用的建议。在回答时，请注意：\n" + "1. 准确理解用户的具体需求\n" + "2. 结合参考资料中的实际案例\n" + "3. 提供专业的设计理念和原理解释\n" + "4. 考虑实用性、美观性和成本效益\n" + "5. 如有需要，可以提供替代方案") .build(); // 3. 构建复杂的文档过滤条件 var filterExpression = getOp(); // 4. 配置文档检索器 DocumentRetriever retriever = VectorStoreDocumentRetriever.builder() .vectorStore(vectorStore) // 设置相似度阈值 .similarityThreshold(0.5) // 返回前3个最相关的文档 .topK(3) .filterExpression(filterExpression.build()) .build(); // 5. 创建上下文感知的查询增强器 Advisor advisor = RetrievalAugmentationAdvisor.builder() .queryAugmenter(ContextualQueryAugmenter.builder() .allowEmptyContext(true) .build()) .documentRetriever(retriever) .build(); // 6. 执行查询并获取响应 String userQuestion = "根据已经提供的资料，请描述所有相关的场景风格，输出案例编号，尽可能详细地描述其内容。"; return chatClient.prompt() .user(userQuestion) .advisors(advisor) .call() .content(); } private static FilterExpressionBuilder.Op getOp() { var b = new FilterExpressionBuilder(); // 筛选2023年的案例 // 仅选择室内案例 // 类型为室内设计 // 指定房间类型 return b.and( b.and( // 筛选2023年的案例 b.eq("year", "2023"), // 仅选择室内案例 b.eq("location", "indoor")), b.and( // 类型为室内设计 b.eq("type", "interior"), // 指定房间类型 b.in("room", "living_room", "study", "kitchen") )); } }