检索增强生成（RAG）正迅速成为人工智能应用中最强大的设计模式之一。它弥合了通用大型语言模型（LLM）与您具体企业数据之间的差距。在本文中，我们将讲解如何利用 Spring Boot、Vertex AI 的 Gemini 嵌入、Apache PDFBox 和 BigQuery 向量搜索，在 Java 中构建完整的 RAG 流水线。

你将看到如何实现以下作，采用带有简单网页界面的 Spring Boot 应用：

  • 上传PDF
  • 使用 Vertex AI 生成嵌入
  • 它们存储在BigQuery
  • 根据你的文件提出自然语言问题

什么是RAG？

检索增强生成（RAG）系统通过结合检索（搜索）和生成（LLM响应）来增强LLM的输出。它通过获取最相关的文档片段来生成答案，确保回答上下文准确、最新且基于来源。

以下是概念的流畅：

RAG的概念流

春季人工智能介绍

虽然像LangChain这样的框架主导着基于Python的生成式人工智能开发，但Java开发者现在有了原生且准备好生产的替代方案：Spring AI。由Spring团队构建和维护，Spring AI将熟悉的Spring Boot生态系统扩展到大型语言模型应用领域。

春季AI的功能

Spring AI 提供了一个简单且一致的抽象层，用于调用 AI 模型——文本生成、嵌入或聊天——无需处理原始的 REST 端点或认证样板。它会自动管理：

  • 模型配置通过application.properties
  • 提示编排与消息处理
  • 使用 Google Cloud、OpenAI 或其他提供商进行凭证解析
  • 与您的 Spring Boot 应用栈无缝集成

在本项目中，Spring AI 处理与 Vertex AI 模型的通信，简化了嵌入生成的 API 调用，同时保持与 Spring WebFlux 和依赖注入的完全兼容。gemini-embedding-001

为什么这里有用

整合Spring AI让我们能够：

  • 使用相同的Spring术语（Beans、Controllers、Configuration）来构建生成式AI应用
  • 可以轻松切换不同供应商的嵌入和聊天模型
  • 保持应用轻量级，适合云端部署
  • 保持与企业 Spring Boot 服务一致的可测试性和可观察性

工作原理

1. PDF 上传与解析

当用户通过网页界面上传PDF时，会被Apache PDFBox处理——这是一个可靠的从PDF文档中提取文本的库。

爪哇岛
1 
PDFTextStripper stripper = new PDFTextStripper(); stripper = new PDFTextStripper();
2 
String text = stripper.getText(document); text = stripper.getText(document);

然后将文本拆分为易于管理的块（例如500字符，重叠100字符），以便检索更精确。

爪哇岛
1 
private List<String> chunkText(String text, int chunkSize, int overlap) { List<String> chunkText(String text, int chunkSize, int overlap) {
2 
    List<String> chunks = new ArrayList<>();List<String> chunks = new ArrayList<>();
3 
    for (int i = 0; i < text.length(); i += (chunkSize - overlap)) {for (int i = 0; i < text.length(); i += (chunkSize - overlap)) {
4 
        chunks.add(text.substring(i, Math.min(text.length(), i + chunkSize)));chunks.add(text.substring(i, Math.min(text.length(), i + chunkSize)));
5 
    }
6 
    return chunks;return chunks;
7 
}

2. 使用顶点人工智能生成嵌入

每个块都被发送到Vertex AI的模型，以获得一个3072维的嵌入向量，代表其语义意义。gemini-embedding-001

爪哇岛
1 
String url = String.format( url = String.format(
2 
  "/v1/projects/%s/locations/%s/publishers/google/models/gemini-embedding-001:predict","/v1/projects/%s/locations/%s/publishers/google/models/gemini-embedding-001:predict",
3 
  projectId, locationprojectId, location
4 
);
5 
String body = "{ \"instances\": [{\"content\": \"" + text + "\"}] }"; body = "{ \"instances\": [{\"content\": \"" + text + "\"}] }";
6 
String response = webClient.post() response = webClient.post()
7 
    .uri(url)uri(url)
8 
    .bodyValue(body)bodyValue(body)
9 
    .retrieve()retrieve()
10 
    .bodyToMono(String.class)bodyToMono(String.class)
11 
    .block();block();

所得的嵌入矢量以列形式存储在BigQuery中。ARRAY<FLOAT64>

3. 在 BigQuery 中存储和搜索

每个嵌入，连同其文本块和元数据，都入到BigQuery表中：

SQL
1 
CREATE TABLE rag_dataset.doc_embeddings ( TABLE rag_dataset.doc_embeddings (
2 
  doc_id STRING,
3 
  chunk_id STRING,
4 
  content STRING,
5 
  embedding ARRAY<FLOAT64>
6 
);

该应用使用 BigQuery Java SDK 来插入行：

爪哇岛
1 
TableId tableId = TableId.of("rag_dataset", "doc_embeddings"); tableId = TableId.of("rag_dataset", "doc_embeddings");
2 
InsertAllRequest insertRequest = InsertAllRequest.newBuilder(tableId) insertRequest = InsertAllRequest.newBuilder(tableId)
3 
    .addRow(Map.of(addRow(Map.of(
4 
        "doc_id", docId,"doc_id", docId,
5 
        "chunk_id", chunkId,"chunk_id", chunkId,
6 
        "content", content,"content", content,
7 
        "embedding", embedding"embedding", embedding
8 
    ))
9 
    .build();build();
10 
bigQuery.insertAll(insertRequest);.insertAll(insertRequest);

当用户提问时，应用会以同样的方式嵌入问题，并在BigQuery中使用函数进行向量相似度搜索：VECTOR_SEARCH

SQL
1 
SELECT content content
2 
FROM VECTOR_SEARCH( VECTOR_SEARCH(
3 
  TABLE rag_dataset.doc_embeddings,TABLE rag_dataset.doc_embeddings,
4 
  'embedding','embedding',
5 
  (SELECT [0.12, 0.45, -0.23, ...] AS embedding),SELECT [0.12, 0.45, -0.23, ...] AS embedding),
6 
  top_k => 3,3,
7 
  distance_type => 'COSINE''COSINE'
8 
);

4. 通过网页界面呈现答案

应用将语义相关的片段返回给网页界面，为用户提供即时且丰富的上下文响应。

基于Thymeleaf的简单前端允许你：

  • 上传PDF
  • 提问
  • 实时查看结果
HTML
1 
<form action="/api/upload" method="post" enctype="multipart/form-data">form action="/api/upload" method="post" enctype="multipart/form-data">
2 
  <input type="file" name="file" /><input type="file" name="file" />
3 
  <button type="submit">Upload</button><button type="submit">Upload</button>
4 
</form>form>
5 
​
6 
<form id="askForm">form id="askForm">
7 
  <input type="text" id="question" name="question" placeholder="Ask your question" /><input type="text" id="question" name="question" placeholder="Ask your question" />
8 
  <button type="submit">Ask</button><button type="submit">Ask</button>
9 
</form>form>

构建与运行应用程序

先决条件

  • Java 17+
  • Maven 3.8+
  • Google Cloud SDK 支持了 Vertex AI 和 BigQuery API
  • 应用默认凭证（gcloud auth application-default login)

建造与运行

壳
1 
mvn clean install
2 
mvn spring-boot:run

然后打开 http://localhost:8080 访问界面。

数据集和表格设置

使用BigQuery控制台或CLI创建你的数据集和表格：

壳
1 
bq mk rag_dataset
2 
bq query --use_legacy_sql=false \--use_legacy_sql=false \
3 
<span style="color:#aa1111">'CREATE TABLE rag_dataset.doc_embeddings (</span>
4 
  doc_id STRING,
5 
  chunk_id STRING,
6 
  content STRING,
7 
  embedding ARRAY<FLOAT64>
8 
);''

结论

只需几百行 Java 和 Spring Boot 代码，你就能搭建一个由 Google Cloud 驱动的生产准备 RAG 流水线。该架构干净利落地将摄取、嵌入和检索分开，成为企业AI应用的有力启动。

# 人工智能
Logo
火山引擎 ADG 社区

火山引擎开发者社区是火山引擎打造的AI技术生态平台，聚焦Agent与大模型开发，提供豆包系列模型（图像/视频/视觉）、智能分析与会话工具，并配套评测集、动手实验室及行业案例库。社区通过技术沙龙、挑战赛等活动促进开发者成长，新用户可领50万Tokens权益，助力构建智能应用。

更多推荐

OpenClaw 本地部署完整指南（Windows + Ollama）

本文档基于实际部署经验编写，旨在帮助你在 Windows 系统上从零开始搭建 OpenClaw，并连接本地 Ollama 模型（如 Qwen2.5 或 Qwen3），使其具备完整的智能体能力。文档包含了所有关键步骤以及常见问题的解决方案。

avatar 火山引擎 ADG 社区

OpenClaw 小白安装指南（Windows版）

（类似一个能自动执行任务的AI机器人），不是游戏。API Key只保存在你本地电脑的加密文件里，不会上传到任何地方。访问：https://github.com/miaoxworld/openclaw-manager/releases。: 一键安装脚本会自动安装Node.js 22+，如果失败，手动下载安装：https://nodejs.org/：在PowerShell中，鼠标右键就是粘贴，不需要按

avatar 火山引擎 ADG 社区

飞书 × OpenClaw 接入指南：不用服务器，用长连接把机器人跑起来

这个项目存在的意义，就是把“飞书接 OpenClaw”这件事，整理成一套的配置入口，并把官方文档没覆盖到的坑集中写成排查清单。先说清楚它的角色：OpenClaw 现在已经内置官方飞书插件 @openclaw/feishu，功能更完整、维护也更及时。，说明飞书 + AI 的接入已经走通。另外，仓库也推荐了一个新项目：把 OpenClaw 变成“多 Agent 团队”，用多个 Agent 分工，Sla

avatar 火山引擎 ADG 社区