用Spring AI 做智能客服，基于私有知识库和RAG技术

时间：2024-10-19 16:22:49

Java智能客服系统运用RAG技术提升答疑精准度

基于Spring ai 的 RAG（检索增强生成）技术，Java智能客服系统能够利用私有知识库中的信息提供更准确的答疑服务。

它的核心思路是：

首先，将客服QA以Word形式导入到系统中，通过向量化处理并存储在如阿里云的远程VectorStore中。

当用户提出问题时，Java编写的智能客服程序使用DocumentRetriever从VectorStore检索相关文档片段，并将其与原始查询一起传递给大模型进行处理。

大模型结合上下文信息生成回复内容，从而实现了基于已有知识的有效客户互动。此过程中，Spring AI Alibaba框架支持无缝集成这些组件，确保了Java智能客服解决方案的高度可扩展性和灵活性。

RAG 是一种用于提升大模型精准度的检索增强生成技术

检索增强生成 (RAG) 是一种结合了检索模型和生成模型的技术，以提高大模型的响应准确性。在使用大模型时，一个常见问题是模型可能会产生“幻觉”，即生成的信息可能并不准确或相关。此外，大模型通常不包含企业的私有知识库，因此其回答可能过于泛泛而不精准。RAG通过引入私有知识库解决了这些问题，使得模型能够基于具体且专有的数据集生成更加精确、具体的答案。这样，不仅可以减少模型的幻觉现象，还能让生成的内容更贴合企业的实际情况。

Spring AI Alibaba 是一个阿里依托Spring AI构建的本地化最佳实践

Spring AI Alibaba 是一个基于 Java 的框架，旨在将 Spring 生态系统的设计原则应用到人工智能领域。它为开发者提供了一个统一的接口，使得对接不同AI服务提供商（如阿里云、OpenAI等）变得简单且高效。由Spring官方团队维护，确保了高质量与持续更新。此外，Spring AI Alibaba还整合了阿里巴巴集团的最佳实践，特别是关于RAG（检索增强生成）技术的应用，使开发者能够轻松构建具备复杂对话能力的应用程序。通过标准化的接口和强大的后端支持，Spring AI Alibaba极大地简化了在Java项目中集成高级AI功能的过程。

后端编码实践：打造检索增强的Spring AI Alibaba应用

为了实现通过读取一个名为“智能客服的专家QA.docs”的word文件来构建向量索引，并提供对外服务的功能，我们需要按照以下步骤进行操作：

前置要求

确保你的开发环境满足如下条件：

  • JDK版本在17或以上。
  • Spring Boot版本在3.3.x或以上。

获取并配置API Key

  1. 登录阿里云账号，访问阿里云百炼页面，开通“百炼大模型推理”服务。
  1. 开通成功后，创建一个新的API Key，并记下它，用于后续配置。

设置环境变量或者通过application.properties注入API Key:

export AI_DASHSCOPE_API_KEY=YOUR_VALID_API_KEY

或者在application.properties中添加:

spring.ai.dashscope.api-key: ${AI_DASHSCOPE_API_KEY}

添加仓库和依赖

由于所需的Spring AI Alibaba相关组件尚未提交到Maven*仓库，因此需要添加Spring自己的仓库和snapshot仓库至pom.xml文件中。

<repositories>
  <repository>
    <id>sonatype-snapshots</id>

    <url>https://oss.sonatype.org/content/repositories/snapshots</url>

    <snapshots>
      <enabled>true</enabled>

    </snapshots>

  </repository>

  <repository>
    <id>spring-milestones</id>

    <name>Spring Milestones</name>

    <url>https://repo.spring.io/milestone</url>

    <snapshots>
      <enabled>false</enabled>

    </snapshots>

  </repository>

  <repository>
    <id>spring-snapshots</id>

    <name>Spring Snapshots</name>

    <url>https://repo.spring.io/snapshot</url>

    <releases>
      <enabled>false</enabled>

    </releases>

  </repository>

</repositories>

并在项目中引入必要的依赖项：

<dependency>
  <groupId>com.alibaba.cloud.ai</groupId>

  <artifactId>spring-ai-alibaba-starter</artifactId>

  <version>1.0.0-M2</version>

</dependency>

构建RAG服务

接下来定义我们的RagService类，负责处理文档读取、索引构建及查询逻辑。

public class RagService {

  private final ChatClient chatClient;
  private final VectorStore vectorStore;
  private final DashScopeApi dashscopeApi = new DashScopeApi("YOUR_API_KEY");
  private DocumentRetriever retriever;

  public RagService(ChatClient chatClient, EmbeddingModel embeddingModel) {
    this.chatClient = chatClient;
    this.vectorStore = new DashScopeCloudStore(dashscopeApi, new DashScopeStoreOptions("智能客服知识库"));
    this.retriever = new DashScopeDocumentRetriever(dashscopeApi,
        DashScopeDocumentRetrieverOptions.builder().withIndexName("智能客服知识库").build());
  }

  public String buildIndex() {
    String filePath = "/path/to/智能客服的QA.docs"; // 更改为你实际文件路径
    DocumentReader reader = new DashScopeDocumentCloudReader(filePath, dashscopeApi, null);
    List<Document> documentList = reader.get();
    vectorStore.add(documentList);
    return "SUCCESS";
  }

  public StreamResponseSpec queryWithDocumentRetrieval(String message) {
    return chatClient.prompt()
        .user(message)
        .advisors(new DocumentRetrievalAdvisor(retriever, DEFAULT_USER_TEXT_ADVISE))
        .stream();
  }
}

创建Controller暴露服务

最后，创建一个控制器来暴露构建索引和聊天接口。

@RestController
@RequestMapping("/ai")
public class RagController {

  private final RagService ragService;

  public RagController(RagService ragService) {
    this.ragService = ragService;
  }

  @GetMapping("/buildIndex")
  public String buildIndex() {
    return ragService.buildIndex();
  }

  @GetMapping("/steamChat")
  public Flux<String> steamChat(@RequestParam(value = "input", required = false) String input, HttpServletResponse response) {
    if (input == null || input.isEmpty()) {
      input = "默认问题";
    }
    StreamResponseSpec chatResponse = ragService.queryWithDocumentRetrieval(input);
    response.setCharacterEncoding("UTF-8");
    return chatResponse.content();
  }
}

解释

上述步骤首先确保了开发环境满足基本需求并通过阿里云获取到了必要的API密钥。接着通过自定义仓库地址和添加特定依赖，使得Spring应用能够利用阿里云提供的AI能力。RagService类实现了从指定文件读取数据并构建向量索引的过程，而RagController则提供了两个HTTP GET方法：一个用于初始化索引(/buildIndex)，另一个用于基于构建好的索引来响应用户的查询请求(/steamChat)。这种方式允许开发者灵活地使用外部文档作为信息来源，增强了应用程序与用户之间的交互体验。

React实战：构建实时聊天应用教程


为了基于React构建一个简单的支持流输出的前端项目，我们可以遵循以下步骤。这个项目的后端接口位于 http://localhost:8080/ai/steamChat?input=…，并且返回类型为 Flux<String>。

1. 创建一个新的 React 应用并安装所需依赖

首先，使用create-react-app创建一个新的React应用，并进入项目目录安装必要的npm包：

npx create-react-app frontend
cd frontend
npm install

2. 编写基础HTML文件

编辑public/index.html以设置基本的文档结构：

<!DOCTYPE html>
<html lang="en">
<head>
  <meta charset="UTF-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <title>Stream Chat App</title>

</head>

<body>
  <div id="root"></div>

</body>

</html>

3. 配置入口文件

修改src/index.js来渲染根组件App：

import React from 'react';
import ReactDOM from 'react-dom';
import App from './App';

ReactDOM.render(
  <React.StrictMode>
    <App />
  </React.StrictMode>,
  document.getElementById('root')
);

4. 设计主应用组件

在src/App.js中定义App组件，它将作为整个应用程序的容器，并引入聊天组件：

import React from 'react';
import ChatComponent from './components/ChatComponent';

function App() {
  return (
    <div className="App">
      <ChatComponent />
    </div>

  );
}

export default App;

5. 实现聊天组件

最后，在src/components/ChatComponent.js内编写实际处理用户输入和显示消息逻辑的部分。这部分代码会发送请求到给定的后端URL，并处理从服务器接收到的数据流。

import React, { useState } from 'react';

function ChatComponent() {
  const [input, setInput] = useState('');
  const [messages, setMessages] = useState('');

  const handleInputChange = (event) => {
    setInput(event.target.value);
  };

  const handleSendMessage = async () => {
    try {
      const response = await fetch(`http://localhost:8080/ai/steamChat?input=${input}`);
      if (!response.ok) throw new Error("Network response was not ok");
      
      const reader = response.body.getReader();
      const decoder = new TextDecoder('utf-8');
      let done = false;

      while (!done) {
        const { value, done: readerDone } = await reader.read();
        done = readerDone;
        const chunk = decoder.decode(value, { stream: true });
        setMessages((prevMessages) => prevMessages + chunk);
      }
    } catch (error) {
      console.error('Failed to fetch:', error);
    }
  };

  const handleClearMessages = () => {
    setMessages('');
  };

  return (
    <div>
      <input
        type="text"
        value={input}
        onChange={handleInputChange}
        placeholder="Enter your message"
      />
      <button onClick={handleSendMessage}>Send</button>

      <button onClick={handleClearMessages}>Clear</button>

      <div>
        <h3>Messages:</h3>

        <pre>{messages}</pre>

      </div>

    </div>

  );
}

export default ChatComponent;

上述代码段展示了如何通过异步函数handleSendMessage向后端发起请求，并读取响应体中的数据流。每次接收到新数据时，都会更新状态变量messages以反映最新的消息内容。

6. 启动项目

完成所有配置与编码后，您可以通过执行以下命令启动前端开发服务器：

npm start

这将使您的应用在本地开发环境中运行于http://localhost:3000。

这段描述提供了一个详细的指南来帮助开发者理解如何根据需求建立一个简单的基于React的支持流输出的前端项目。它覆盖了从初始化项目直到实现关键功能（如发送消息及实时接收响应）的全过程。

相关文章