隨著AI技術(shù)的不斷進(jìn)步，開發(fā)者面臨著如何有效利用現(xiàn)有工具和技術(shù)來加速開發(fā)過程的挑戰(zhàn)。Redis與Spring AI的結(jié)合為Java開發(fā)者提供了一個(gè)強(qiáng)大的平臺(tái)，以便快速構(gòu)建并部署響應(yīng)式AI應(yīng)用。探索這一整合如何通過簡化的開發(fā)流程，讓開發(fā)者能夠更專注于創(chuàng)新而非底層實(shí)現(xiàn)。

一、Spring AI 簡介

由大型語言模型（LLM）驅(qū)動(dòng)的應(yīng)用程序中，向量數(shù)據(jù)庫常作為人工智能應(yīng)用程序的核心存儲(chǔ)技術(shù)。此類數(shù)據(jù)庫需要支持語義搜索，并為LLM提供相關(guān)的上下文環(huán)境。

在此之前，通過Spring和Redis來構(gòu)建人工智能應(yīng)用程序的選項(xiàng)還相對(duì)有限。而最近，Redis作為一種高性能的向量數(shù)據(jù)庫方案，現(xiàn)已引起廣泛關(guān)注。Spring社區(qū)推出了一個(gè)名為Spring?AI的新項(xiàng)目，旨在簡化人工智能應(yīng)用程序特別是那些涉及向量數(shù)據(jù)庫的應(yīng)用的開發(fā)流程。

下面將介紹如何使用Redis作為向量數(shù)據(jù)庫構(gòu)建一個(gè)Spring AI應(yīng)用程序，實(shí)現(xiàn)檢索增強(qiáng)生成（RAG）工作流。

二、檢索增強(qiáng)生成

檢索增強(qiáng)生成（RAG）是一種結(jié)合數(shù)據(jù)與人工智能模型的技術(shù)方法。在RAG工作流中，首先需要將數(shù)據(jù)加載入向量數(shù)據(jù)庫（例如Redis）。接收到用戶查詢后，向量數(shù)據(jù)庫會(huì)檢索出一組與查詢相似的文檔。這些文檔將作為解答用戶問題的上下文，并結(jié)合用戶的查詢，通常通過人工智能模型來生成響應(yīng)。

本例中，我們將利用一個(gè)包含各類啤酒信息的數(shù)據(jù)集進(jìn)行演示，數(shù)據(jù)集中包含啤酒的名稱、酒精含量（ABV）、國際苦味單位（IBU）和描述等屬性。該數(shù)據(jù)集將被加載到Redis中，以展示RAG工作流的實(shí)際應(yīng)用。

三、代碼和依賴關(guān)系

可以在GitHub上找到Spring?AI和Redis演示的全部代碼。

本項(xiàng)目使用了Spring Boot作為Web應(yīng)用程序的啟動(dòng)依賴項(xiàng)，并結(jié)合了Azure OpenAI和Spring?AI?Redis。

四、數(shù)據(jù)加載

我們的應(yīng)用程序?qū)⒉捎锰峁┢【菩畔⒌腏SON文檔作為數(shù)據(jù)來源。每個(gè)文檔的結(jié)構(gòu)如下：

{ "id": "00gkb9", "name": "Smoked Porter Ale", "description": "The Porter Pounder Smoked Porter is a dark rich flavored ale that is made with 5 malts that include smoked and chocolate roasted malts. It has coffee and mocha notes that create a long finish that ends clean with the use of just a bit of dry hopping", "abv": 8, "ibu": 36}

為了將啤酒數(shù)據(jù)集加載到 Redis 中，我們將使用 RagDataLoader 類。該類包含一個(gè)方法，在應(yīng)用程序啟動(dòng)時(shí)執(zhí)行。在該方法中，我們使用一個(gè) JsonReader 來解析數(shù)據(jù)集，然后使用自動(dòng)連接的?VectorStore 將文檔插入 Redis。

// Create a JSON reader with fields relevant to our use caseJsonReader loader = new JsonReader(file, "name", "abv", "ibu", "description");// Use the autowired VectorStore to insert the documents into RedisvectorStore.add(loader.get());

至此，我們得到了一個(gè)包含約 22,000種啤酒及其相應(yīng)嵌入的數(shù)據(jù)集。

五、RAGService

RagService 類實(shí)現(xiàn)了 RAG 工作流程。當(dāng)收到用戶提示時(shí)，會(huì)調(diào)用 retrieve 方法，執(zhí)行以下步驟：

計(jì)算用戶提示的向量

查詢Redis數(shù)據(jù)庫，檢索最相關(guān)的文檔

使用檢索到的文檔和用戶提示構(gòu)建一個(gè)提示信息

使用提示調(diào)用聊天客戶端以生成響應(yīng)

public Generation retrieve(String message) { SearchRequest request = SearchRequest.query(message).withTopK(topK); // Query Redis for the top K documents most relevant to the input message List docs = store.similaritySearch(request); Message systemMessage = getSystemMessage(docs); UserMessage userMessage = new UserMessage(message); // Assemble the complete prompt using a template Prompt prompt = new Prompt(List.of(systemMessage, userMessage)); // Call the autowired chat client with the prompt ChatResponse response = client.call(prompt); return response.getResult();}

六、Controller

現(xiàn)在我們已經(jīng)實(shí)現(xiàn)了 RAG 服務(wù)，可以將其封裝在 HTTP 端點(diǎn)中。

RagController 類將服務(wù)作為 POST 端點(diǎn)公開：

@PostMapping("/chat/{chatId}")@ResponseBodypublic Message chatMessage(@PathVariable("chatId") String chatId, @RequestBody Prompt prompt) { // Extract the user prompt from the body and pass it to the autowired RagService Generation generation = ragService.retrieve(prompt.getPrompt()); // Reply with the generated message return Message.of(generation.getOutput().getContent());}

七、用戶界面

在用戶界面方面，創(chuàng)建一個(gè)簡單的 React 前端，允許用戶提出有關(guān)啤酒的問題。前端通過向/chat/{chatId}端點(diǎn)發(fā)送 HTTP 請(qǐng)求并顯示響應(yīng)來與 Spring 后端交互。

僅通過簡單的幾個(gè)類，我們就用 Spring AI 和 Redis 實(shí)現(xiàn)了一個(gè) RAG 應(yīng)用程序。

若要更進(jìn)一步，我們建議您查看?Github?上的示例代碼。將 Redis 的高效和易用性與 Spring AI 提供的便捷抽象相結(jié)合，Java 開發(fā)人員使用 Spring 構(gòu)建響應(yīng)式 AI 應(yīng)用程序?qū)⒆兊酶尤菀住?/p>

有關(guān)向量數(shù)據(jù)庫的更多信息，歡迎與我們溝通交流~