隨著AI技術的不斷進步，開發(fā)者面臨著如何有效利用現(xiàn)有工具和技術來加速開發(fā)過程的挑戰(zhàn)。Redis與Spring AI的結合為Java開發(fā)者提供了一個強大的平臺，以便快速構建并部署響應式AI應用。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)新而非底層實現(xiàn)。

一、Spring AI 簡介

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

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

下面將介紹如何使用Redis作為向量數(shù)據(jù)庫構建一個Spring AI應用程序，實現(xiàn)檢索增強生成（RAG）工作流。

二、檢索增強生成

檢索增強生成（RAG）是一種結合數(shù)據(jù)與人工智能模型的技術方法。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，并結合用戶的查詢，通常通過人工智能模型來生成響應。

本例中，我們將利用一個包含各類啤酒信息的數(shù)據(jù)集進行演示，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工作流的實際應用。

三、代碼和依賴關系

可以在GitHub上找到Spring?AI和Redis演示的全部代碼。

本項目使用了Spring Boot作為Web應用程序的啟動依賴項，并結合了Azure OpenAI和Spring?AI?Redis。

四、數(shù)據(jù)加載

我們的應用程序將采用提供啤酒信息的JSON文檔作為數(shù)據(jù)來源。每個文檔的結構如下：

{ "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。該類包含一個方法，在應用程序啟動時執(zhí)行。在該方法中，我們使用一個 JsonReader 來解析數(shù)據(jù)集，然后使用自動連接的?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，我們得到了一個包含約 22,000種啤酒及其相應嵌入的數(shù)據(jù)集。

五、RAGService

RagService 類實現(xiàn)了 RAG 工作流程。當收到用戶提示時，會調用 retrieve 方法，執(zhí)行以下步驟：

計算用戶提示的向量

查詢Redis數(shù)據(jù)庫，檢索最相關的文檔

使用檢索到的文檔和用戶提示構建一個提示信息

使用提示調用聊天客戶端以生成響應

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)在我們已經實現(xiàn)了 RAG 服務，可以將其封裝在 HTTP 端點中。

RagController 類將服務作為 POST 端點公開：

@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)建一個簡單的 React 前端，允許用戶提出有關啤酒的問題。前端通過向/chat/{chatId}端點發(fā)送 HTTP 請求并顯示響應來與 Spring 后端交互。

僅通過簡單的幾個類，我們就用 Spring AI 和 Redis 實現(xiàn)了一個 RAG 應用程序。

若要更進一步，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合，Java 開發(fā)人員使用 Spring 構建響應式 AI 應用程序將變得更加容易。

有關向量數(shù)據(jù)庫的更多信息，歡迎與我們溝通交流~