LangChain4j 进阶检索流水线

这就是一套标准的 RAG 实现了，大多数时候，使用标准版就够了。进阶版会更加灵活，额外支持查询转换器、查询路由、内容聚合器、内容注入器等特性，将整个 RAG 的流程流水线化（RAG pipeline）。

定义好 RAG 流程后，最后通过 RetrievalAugmentor 提供给 AI Service 使用即可。

AiServices.builder(xxx.class)
    ...
    .retrievalAugmentor(retrievalAugmentor)
    .build();

此外，之前使用的是内存向量存储，每次启动都要重新加载文档、调用嵌入模型，比较耗时，所以实际开发中建议使用独立的存储，官方支持很多第三方存储[1]，但是个人比较推荐 PG Vector，在原有关系库的基础上安装插件来支持向量存储，而且支持的特性很多。

以上就是关于 LangChain4j 进阶版 RAG 的简单介绍，感兴趣的同学可以参考官方文档[2]进行学习。

下个章节介绍工具调用。

引用链接

[1] 官方支持很多第三方存储: https://docs.langchain4j.dev/integrations/embedding-stores/ [2] 官方文档: https://docs.langchain4j.dev/tutorials/rag

如果这篇文章帮到了你，不妨点个分享给同样需要的朋友吧！ 你的每一次支持，都是我持续创作的动力！💪

往期推荐：