之前一篇文章讲过RAG的一个demo。详细内容请看，JAVA程序员自救之路——SpringAI与ES实现RAG

最近看了一下SpringAI的1.0.0-snapshot的文档，他在介绍构建RAG应用时提到了，Advisor。并且已经集成了一些现成的Advisor供我们使用。利用这个，我们可以更简化我们之前的代码。

首先我们讲一下什么是advisor。

Spring AI 中的 Advisors 是一个关键概念，用于在模型交互过程中动态调整或增强提示词（Prompt）、控制生成过程，或注入业务逻辑。它的核心思想是对 AI 模型的输入/输出进行拦截和增强，类似于 AOP（面向切面编程）中的拦截器。

Advisor 的核心作用：

• 动态修改提示词：在发送给模型前，自动添加上下文、示例或格式化内容。
• 结果后处理：对模型生成的文本进行过滤、校验或结构化解析。
• 上下文管理：跨多次对话维护状态（如历史记录、用户偏好）。
• 业务规则注入：根据业务需求限制或引导模型的输出。

2. Advisor 的工作原理

Advisor 在请求处理链中的位置：

用户输入 → [Advisor 预处理] → 模型处理 → [Advisor 后处理] → 返回用户

• 预处理阶段：修改或增强输入的 Prompt。
• 后处理阶段：处理模型的 Response。

很像AOP的环绕切面。

SpringAI提供了很多这种Advisor，比如用于记录日志的SimpleLoggerAdvisor，还有记录上下文的MessageChatMemoryAdvisor（并非所有LLM模型支持），PromptChatMemoryAdvisor（内存），
VectorStoreChatMemoryAdvisor（向量数据库），用于敏感词校验的SafeGuardAdvisor。当然，我们还可以自定义一个Advisor。只需实现Advisor接口就可以。CallAroundAdvisor是非流式的，StreamAroundAdvisor是流式的。

下面我们，看一下代码上如何使用Advisor来实现RAG。

首先，我们还是引入新的SpringAI模块。他主要是用来利用向量数据库检索来实现LLM增强。

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

然后我们在代码中接入Advisor：QuestionAnswerAdvisor。

                SearchRequest searchRequest = SearchRequest.builder().query(question).similarityThreshold(0.5d).topK(5).build();
                // Calling the chat model with the question
                ChatResponse chatResponse =chatClient.prompt()
                        .advisors(new QuestionAnswerAdvisor(vectorStore, searchRequest),new SimpleLoggerAdvisor())
                        .user(question)
                        .call().chatResponse();
                String response =  Optional.ofNullable(chatResponse)
                        .map(ChatResponse::getResult)
                        .map(Generation::getOutput)
                        .map(AbstractMessage::getText)
                        .orElse(null);
                StringJoiner stringJoiner = new StringJoiner(System.lineSeparator());
                Optional.ofNullable(chatResponse)
                        .map(ChatResponse::getMetadata)
                        .map(metadata -> (List<Document>)metadata.get(QuestionAnswerAdvisor.RETRIEVED_DOCUMENTS))
                        .orElse(new ArrayList<>())
                        .stream().forEach(doc -> {
                                stringJoiner.add(doc.getMetadata().get(PagePdfDocumentReader.METADATA_FILE_NAME).toString());
                        });

                return response
                        + System.lineSeparator() + System.lineSeparator() +
                        "答案仅供参考相关文件查阅: " + System.lineSeparator() +
                        stringJoiner
                        ;

关键就在于这句话

SearchRequest searchRequest = SearchRequest.builder().query(question).similarityThreshold(0.5d).topK(5).build()

ChatResponse chatResponse =chatClient.prompt().advisors(new QuestionAnswerAdvisor(vectorStore, searchRequest),new SimpleLoggerAdvisor())

通过构造QuestionAnswerAdvisor，来实现RAG。具体之前咱们写的处理逻辑，现在都由它来代替完成了。至此，我们就改造完成了。大部分逻辑SpringAI帮助封装了。我们只需要使用就可以了。原来将近一百行的代码，现在只需要一行就完成了。

我们看下效果，跟之前的差不多，好像还更精确了，不知道是不是错觉，哈哈。

#spring# #java# #ai#