RAG基础架构+知识库+AI智能体

知识库RAG基础架构介绍（Spring AI + Elasticsearch + Ollama） 一、架构概述 本架构基于Spring AI、Elasticsearch 8.11.4、Ollama三大

知识库-向量化功能-环境配置 一、功能概述 本功能支持读取上传的PDF、Word、TXT格式文本文件，通过文本嵌入模型将文本转换为向量数据，并将原始文本与向量数据存储至Elasticsearch（ES

知识库-向量化功能-文本文件向量化 一、核心逻辑 基于句子结束符的智能分片策略 按句子结束符（。！？；\n\.!?;）分割文本，保证分片语义完整性； 对每个文本分片独立向量化 分片后批量存储至Elas

知识库-向量化功能-读取Word文件内容的方法 一、核心逻辑 采用Apache POI组件解析Word文件，区分.doc（旧版二进制格式）和.docx（新版XML格式）两种后缀，分别适配对应的解析工具

知识库-向量化功能-读取PDF文件内容的方法 一、核心逻辑 基于Apache PDFBox组件解析PDF文件，仅提取原生文本内容（不处理图片、扫描件，也不涉及OCR光学字符识别），解析后对文本做格式化

知识库-向量化功能-EXCEL文件向量化 一、功能概述 基于Alibaba EasyExcel实现Excel文件全量解析，适配 .xls/.xlsx 双格式，核心流程为：解析Excel单元格数据 →

知识库-向量化功能-流式分片 一、设计背景 针对超大文本（如100MB以上纯文本文件），传统“一次性加载全部文本到内存再分片”的方式易导致内存溢出、方法卡死等问题。因此采用流式分片策略：逐批次读取文本

知识库-向量化功能-混合查询 一、功能目标 基于 Elasticsearch 8.8+ 实现 BM25（关键词检索）+ 向量相似度（kNN） 混合检索，通过 Rank Fusion（RRF）算法融合两

知识库-向量化功能-混合查询（性能优化版） 一、功能概述 基于 Elasticsearch 8.8+ 原生混合检索语法 重构实现「BM25关键词检索 + kNN向量语义检索」一体化查询，对比传统手动R

RAG基础架构-基础对话模型接入与使用 一、功能概述 基于Spring AI + Ollama实现本地大模型对话能力快速接入，零代码侵入适配Spring生态，开箱即用完成用户提问 → 模型生成 → 结

基于知识库的知策智能体 一、核心设计理念 知策智能体采用经典四阶段Agent架构，实现「用户问题→智能决策→工具调用→答案生成」的完整链路，各组件职责单一、解耦设计，可独立扩展/替换： 思考器(Thi

知策Agent问答 VS 知识库内容投喂AI问答 | 核心差异全解析（附选型建议） 一、两种方案「核心执行链路」直观对比 ▶ 方案1：【Agent智能体问答】（你当前实现的方案） 完整执行链路 核心特

AgentThinker 改造完整版 | 原生Function Calling调用升级 一、改造核心说明：为什么要升级为Function Calling？ Function Calling 核心优势（

RAG知识库增强｜MinIO集成完整方案 一、改造核心价值 将MinIO集成到RAG知识库架构中，解决知识库文件存储、访问、溯源三大核心问题，核心价值如下： 替代本地文件存储，实现知识库文件的分布式、

RAG基础架构升级｜Redis集成多轮对话能力 一、改造核心价值 基于Redis实现会话记忆体+多轮对话上下文管理，为原有RAG架构补齐核心能力短板，完美适配智能体多轮交互场景，核心优势如下： 基于R

RAG知识库核心优化｜基于语义的智能文本切片方案（对比字符串长度分割） 一、改造核心价值 传统的「按字符串长度硬分割」会破坏文本语义完整性，导致切片内容碎片化、检索答非所问；而基于语义的智能切片以完整

RAG核心升级｜多LLM模型动态切换方案 一、多模型切换核心价值 传统RAG架构绑定单一LLM模型，无法适配多样化的问答场景；而多模型动态切换方案可根据场景/需求灵活选择最优模型，核心价值如下： 场景