首页 › Agent Spring Boot › RAG 检索增强

存储方案

向量以 JSON 字符串 存在 MySQL article.embedding（LONGTEXT），不用 pgvector / Milvus。适合文章量级在数百以内的 Demo；上万篇需换专用向量库。

检索入口

ArticleService.search(String queryText)：

return embeddingService.embed(queryText)
    .flatMap(vector -> {
        if (embeddingService.isValid(vector)) {
            return doVectorSearch(vector);
        }
        return doKeywordSearch(queryText);
    });

自动降级：Embedding API 不可用时走关键词 BM25 风格检索。

向量检索 doVectorSearch

List<Article> articles = articleRepository.findAllWithEmbedding();
// 对每篇 jsonToVector → cosineSimilarity(query, doc)
// 过滤 similarity >= rag.search.similarity-threshold
// 取 top rag.search.top-k（默认 3）

余弦相似度在 Java 内存计算：

double cosineSimilarity(float[] a, float[] b) {
    double dot = 0, normA = 0, normB = 0;
    for (int i = 0; i < a.length; i++) {
        dot += a[i] * b[i];
        normA += a[i] * a[i];
        normB += b[i] * b[i];
    }
    return dot / (Math.sqrt(normA) * Math.sqrt(normB));
}

关键词兜底 doKeywordSearch

Embedding 失败时：

• 对 query 和文章做分词 / 2-gram
• BM25 风格打分排序
• 同样返回 List<Article> 结构，上层无感

配置

rag:
  search:
    top-k: 3
    similarity-threshold: 0.5

spring:
  datasource:
    url: jdbc:mysql://localhost:3306/agent_rag
  jpa:
    hibernate:
      ddl-auto: validate

验证检索

curl "http://localhost:8080/api/articles/search?query=Spring%20Boot%20事务"

# 返回带 similarity 字段的文章列表

对照 sql/data.sql 样例数据做 walkthrough，见项目 docs/rag/RAG-RETRIEVAL-WALKTHROUGH.md。

架构对比

方案	优点	缺点
MySQL JSON + Java 算相似度	零额外组件、易调试	全表扫描，规模差
PGVector	SQL 内向量索引	需 PG 扩展
Milvus / Redis Stack	大规模专用	运维成本高

学习点

• 检索 = embed(query) + 相似度排序 + threshold + topK。
• 降级路径保证 API 挂掉时仍有关键词结果。
• Demo 与生产的分界线在数据量和延迟。

小结

• ArticleService.search 统一向量/关键词双策略。
• 配置 top-k 和 similarity-threshold 调召回。
• 规模上来后把 findAllWithEmbedding 换成 VectorStore。

上一节：Embedding 摄入
下一节：Agent 预检索与 search_articles

贡献者: 布欧-Lewyon

上一页文章摄入与 EmbeddingService

下一页Agent 预检索与 search_articles 工具