文档过滤和检索

在 Spring AI 的向量存储（VectorStore）中，文档过滤和检索是构建 RAG（检索增强生成）等应用的核心流程，它们结合向量相似度和元数据筛选，实现精准的文档查找。

SpringAI将文档过滤和检索分为了三个阶段，分别为预检索、检索中、检索后。每一个阶段都提供了自定义组件来更好地增强检索，提高准确性。

预检索

负责优化用户输入的查询语句，使描述问题更清晰，更有针对性，提高后续检索的质量。

核心任务：

• 对用户查询文本进行清洗、分词或扩展（如同义词替换）
• 基于业务规则过滤掉明显不相关的文档集合
• 动态生成或调整检索过滤条件（Filter.Expression）

RewriteQueryTransformer：对用户的查询进行改写，当用户查询含糊不清或者包含无意义的信息时，会使其更加清洗明确。

由源码可以看出，实际上就是将这个语句和用户查询的语句拼接在一起，同时用了动态参数。

QueryTransformer：用于转换用户原始查询，例如：

public class CustomQueryTransformer implements QueryTransformer {
    @Override
    public String transform(String query) {
        // 示例：将英文缩写替换为全称
        return query.replace("AI", "人工智能");
    }
}

• 对查询进行拼写纠错
• 扩展查询关键词（如将 “AI” 扩展为 “人工智能”）
• 提取查询中的实体作为过滤条件（如从 “北京的天气” 中提取 “location: 北京” 作为过滤条件）

此外还有很多组件，需要我们耐心探索

检索中

目标：在向量数据库执行检索时，优化相似度计算和结果筛选逻辑，查询出最相关的文档。

核心任务：

• 调整相似度度量方式（如从余弦相似度切换为点积）
• 动态设置检索参数（如 topK、similarityThreshold）
• 结合向量相似度和元数据过滤进行混合检索

DocumentRetriever：是负责从向量存储（或其他数据源）中检索与查询相关的文档的核心组件。支持元数据过滤、设置相似度阈值、设置返回的结果数。

ConcatenationDocumentJoiner：是一个用于将多个文档内容合并为单一字符串的组件，当检索到多个相关文档后，需要将它们的内容合并成一个连贯的上下文，再传递给大语言模型（LLM）生成回答。

检索后

目标：对检索返回的结果进行二次处理，提升最终结果的相关性和可用性。

核心任务：

• 重排序检索结果（如基于业务权重调整顺序）
• 过滤低质量或重复文档
• 对文档内容进行摘要或格式化

查询增强和关联

在 Spring AI 及 RAG（检索增强生成）场景中，查询增强（Query Enhancement） 和关联（Correlation） 是提升检索准确性和生成质量的重要技术，旨在解决原始查询表达不清晰、上下文缺失或与文档匹配度低等问题。

是RAG流程的最终环节，负责将检索的文档与用户查询结合起来，为AI提供必要的上下文。

QuestionAnswerAdvisor

当用户问题发给AI模型时，Advisor会查询向量数据库搜索与用户问题相关的文档作为上下文，附加到用户查询中

ChatResponse response = ChatClient.builder(chatModel)
        .build().prompt()
        .advisors(new QuestionAnswerAdvisor(vectorStore))
        .user(userText)
        .call()
        .chatResponse();

实现原理就是将上下文和用户查询拼接为一个新的Prompt。

RetrievalAugmentationAdvisor

RetrievalAugmentationAdvisor（检索增强顾问）是一个专注于优化 RAG（检索增强生成）核心链路的组件。它的核心职责是通过动态调整 “检索 - 增强 - 生成” 全流程中的关键环节，解决检索与生成脱节、上下文相关性不足、LLM 幻觉等问题，最终提升回答的准确性、相关性和可靠性。

核心定位与解决的核心问题

RAG 流程中常见的痛点包括：

1. 检索到的文档冗余或噪音过多，导致 LLM 注意力分散；
2. 检索结果与用户问题的语义匹配度低，增强效果有限；
3. 上下文拼接方式简单（如直接拼接），LLM 难以高效提取关键信息；
4. 缺乏对检索质量的评估与二次优化机制。

RetrievalAugmentationAdvisor 正是针对这些痛点，通过 “评估 - 优化 - 增强” 的闭环逻辑，让检索结果更好地服务于生成环节。

ContextualQueryAugmenter

默认情况，空上下文模型会被RetrievalAugmentationAdvisor命令不回答。但ContextualQueryAugmenter会对空上下文做出一些处理