大模型虽好，但不知道你公司的内部数据。
RAG (Retrieval Augmented Generation) 是目前解决这个问题的最佳方案。
简单来说，就是先把你的文档切碎、存起来；等用户提问时，先搜出相关片段，再喂给 AI。

Spring AI 专门提供了一套 ETL Pipeline 来处理这个流程，就像处理大数据一样标准。

1. 核心流程

1. Extract (读取)：从 PDF、Word、网页读取文本。
2. Transform (转换)：把长文本切分成小块 (Token Splitting)。
3. Load (加载)：把文本块变成向量，存入向量数据库。
4. Retrieve (检索)：根据用户问题找答案。

2. 读取文档 (Document Readers)

Spring AI 内置了非常丰富的阅读器。

读取 JSON

适合读取结构化数据。

JsonReader jsonReader = new JsonReader(new ClassPathResource("bikes.json"));
List<Document> documents = jsonReader.get();

读取 PDF

需要引入 spring-ai-pdf-document-reader 依赖。

PagePdfDocumentReader pdfReader = new PagePdfDocumentReader(
    new ClassPathResource("manual.pdf"),
    PdfDocumentReaderConfig.builder()
        .withPagesPerDocument(1)
        .build());
List<Document> docs = pdfReader.read();

读取万能格式 (Tika)

如果你不知道文件是什么格式（Word, PPT, HTML…），直接用 Apache Tika。

TikaDocumentReader reader = new TikaDocumentReader(new ClassPathResource("contract.docx"));
List<Document> docs = reader.read();

3. 切分文档 (Splitters)

AI 的上下文窗口有限，而且文本越长，语义越稀释。所以我们需要把文档切成小块。
最常用的是 TokenTextSplitter。

// 默认每块 800 Token，重叠 350 Token（保持上下文连贯）
var splitter = new TokenTextSplitter();
List<Document> splitDocs = splitter.apply(docs);

4. 存入向量数据库 (Vector Store)

这里我们使用简单的 SimpleVectorStore（内存存储）作为演示。生产环境建议用 PGVector, Redis, Chroma 等。

@Bean
VectorStore vectorStore(EmbeddingModel embeddingModel) {
    return new SimpleVectorStore(embeddingModel);
}

// 在某个初始化方法里
vectorStore.add(splitDocs); // 这一步会自动调用 EmbeddingModel 生成向量

5. 检索与问答

现在，当用户提问时，我们不再直接调 ChatClient，而是先问 VectorStore。

// 1. 检索相似文档
List<Document> similarDocs = vectorStore.similaritySearch(
    SearchRequest.query("如何申请年假？").withTopK(2)); // 找最相关的2段

// 2. 构造提示词
String context = similarDocs.stream()
    .map(Document::getContent)
    .collect(Collectors.joining("\n"));

String prompt = """
    基于以下信息回答问题：
    %s

    问题：如何申请年假？
    """.formatted(context);

// 3. 问 AI
String answer = chatClient.prompt().user(prompt).call().content();

简化写法：QuestionAnswerAdvisor

Spring AI 封装了一个 QuestionAnswerAdvisor，帮你自动完成“检索+拼接”这步。

chatClient.prompt()
    .advisors(new QuestionAnswerAdvisor(vectorStore, SearchRequest.defaults()))
    .user("如何申请年假？")
    .call()
    .content();

总结

这就是 RAG 的完整闭环。
通过 Spring AI 的 ETL 管道，你可以轻松地把企业的知识库变成 AI 的大脑。下一阶段，你可以尝试更换更强大的向量数据库，或者调整切分策略来优化检索效果。