提取、转换和加载 (ETL) 框架是检索增强生成 (RAG) 用例中数据处理的核心。ETL 管道协调从原始数据源到结构化向量存储的数据流，确保数据以最适合 AI 模型检索的格式呈现。RAG 旨在通过从数据集中检索相关信息来增强生成模型的能力，从而提高生成输出的质量和相关性。

API概览

ETL管道创建、转换和存储文档实例，Document 类包含文本、元数据，还可以选择包含图像、音频和视频等其他媒体类型。

ETL管道主要包含三个组成部分：

Document 类内容是借助 DocumentReader 从 PDF、文本文件和其他文档类型创建而来

• DocumentReader 实现了 Supplier<List<Document>>
• DocumentTransformer 实现了 Function<List<Document>, List<Document>>
• DocumentWriter 实现了 Consumer<List<Document>>

本文系统梳理架构落地中常见的几种核心架构模式，分析各自的优势与适用场景，并给出选型建议。

一、分层架构（Layered Architecture）

常见分层

• 经典四层：展现层 → 业务层 → 持久层 → 数据库层
• DDD 分层：接口层 → 应用层 → 领域层 → 基础设施层

优势

• 关注点分离：每层职责清晰，便于团队分工
• 可测试性强：各层可独立进行单元测试和 Mock
• 易于维护：修改某一层不影响其他层（接口契约不变）
• 技术栈解耦：例如业务层不依赖具体 ORM 框架

适用场景

• 企业级 CRUD 应用、传统 ERP / OA 系统
• 团队规模较大、需要明确职责边界的项目

自动配置

Spring AI 为 Elasticsearch Vector Store 提供了 Spring Boot 自动配置。要启用它，请在项目的 Maven pom.xml 或 Gradle build.gradle 文件中添加以下依赖：

Maven

1
2
3
4

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-vector-store-elasticsearch</artifactId>
</dependency>

Gradle

1
2
3

dependencies {
    implementation 'org.springframework.ai:spring-ai-starter-vector-store-elasticsearch'
}

概述

向量数据库是一种特殊类型的数据库，在 AI 应用中扮演着至关重要的角色。在向量数据库中，查询方式与传统关系型数据库不同，向量数据库执行的是相似度搜索，而非精确匹配。当给定一个向量作为查询时，向量数据库会返回与查询向量”相似”的向量。

向量数据库用于将您的数据与 AI 模型集成，其使用步骤如下：

1. 首先将您的数据加载到向量数据库中。
2. 当用户查询需要发送给 AI 模型时，先检索一组相似的文档。
3. 这些文档随后作为用户问题的上下文，与用户查询一起发送给 AI 模型。

这种技术被称为检索增强生成（Retrieval Augmented Generation，RAG）。

本文将介绍 Spring AI 中使用多种向量数据库实现的接口，以及一些高层级的使用示例。最后一节旨在揭开向量数据库中相似度搜索底层方法的神秘面纱。

1. 概览

本文是对开源项目 agentscope-java（v2.0版本）进行的项目架构分析，以便帮助对该项目进行结构化理解与记忆。

• 项目开源地址：https://github.com/agentscope-ai/agentscope-java
• 项目官网地址：https://java.agentscope.io/v2/zh/docs/index.html

简介

LangGraph4j 是一个用于在 Java 中构建有状态的、多智能体（Multi-Agent）应用程序的库，与大型语言模型（LLM）深度集成。它灵感来源于 Python 的 LangGraph 库，旨在与 LangChain4j 和 Spring AI 等主流 Java LLM 框架无缝协作。

从本质上讲，LangGraph4j 允许你定义循环图（Cyclical Graphs），让不同的组件（智能体、工具或自定义逻辑）以有状态的方式进行交互。这对于构建需要记忆、上下文以及不同”智能体”之间协作或任务交接的复杂应用程序至关重要。

Skills（技能）是一种为 LLM 配备可复用的、自包含的行为指令的机制。一个技能（Skill）捆绑了名称、简短描述、一组指令正文（即其 content），以及可选的资源（例如参考资料、素材、模板等）。LLM 按需加载技能，保持初始上下文较小，仅在真正需要时才拉取详细指令。

注意： langchain4j Skills API 目前处于实验阶段。API 和行为在未来的版本中仍可能发生变化。

LangChain4j 提供了对 Spring Boot 的一流集成支持，让你能够以声明式的方式在 Spring Boot 应用中快速使用 AI 服务。只需添加对应的 starter 依赖，即可自动配置 ChatModel、StreamingChatModel 等核心组件，并通过 @AiService 注解轻松定义具备 AI 能力的服务接口。

要求：LangChain4j Spring Boot 集成需要 Java 17 及以上版本，同时支持 Spring Boot 3 和 Spring Boot 4 两大系列。两个系列同步发布，共享相同的版本号。请根据你项目中使用的 Spring Boot 版本选择对应的 starter 组合。

添加 Starter 依赖

Spring Boot starter 依赖的命名规范为：

1
2

langchain4j-{集成名称}-spring-boot-starter   (Spring Boot 3)
langchain4j-{集成名称}-spring-boot4-starter  (Spring Boot 4)

分类（Classification）对于将文本归类到预定义标签中至关重要，例如情感分析、意图检测和实体识别，这里演示了使用 LangChain4j 的 AI 驱动服务进行情感分类。

LangChain4j 支持两种常见的文本分类方法：

1. 通过 AI Services 使用 LLM：当标签依赖于细微的自然语言推理时使用。
2. 通过 TextClassifier 和 EmbeddingModelTextClassifier 使用嵌入：当你为每个类别提供了带标签的示例，并希望通过语义相似度进行分类时使用。

情感分类服务可用于多种应用场景，包括：

• ✅ 客户反馈分析：将客户评论分类为积极、中性或消极。
• ✅ 社交媒体监控：分析社交媒体评论中的情感趋势。
• ✅ 聊天机器人响应：理解用户情感以提供更好的回复。

Guardrails（护栏）是一种机制，用于验证 LLM 的输入和输出，确保其符合您的预期。可以使用护栏来实现以下目的（或其他功能）：

• 过滤不当内容
• 验证输出格式
• 限制敏感信息泄露
• 确保回答符合业务规则

实验性功能：Guardrails 是一项实验性功能。其 API 和行为可能在未来版本中发生变化。
护栏仅在使用 AI Services 时可用。 它们是高层抽象，不能直接应用于 ChatModel 或 StreamingChatModel。