标签：RAG

“Prompt、RAG、Agent 三选一”是个过于粗糙的说法。真实系统是一条从“全确定”到“全自主”的连续光谱，RAG 本质是给模型接知识的能力，Agent 也分固定编排和自主循环。这篇往深里聊：工作流模式、RAG 的三个深浅层级、什么时候才该让模型自主决策，以及成本、延迟和失败模式这些入门文章很少算的账。

Java 团队想接大模型，不必硬套 Python 的 LangChain。Spring AI 把 ChatClient、Prompt 模板、结构化输出、RAG（向量库）、函数调用、对话记忆这些能力做成了 Spring 风格的抽象和 Starter，配几行 yml、写几行链式调用就能跑。这篇从核心抽象讲起，带你用 Spring Boot 一步步实现聊天、结构化映射、RAG 知识库和工具调用，并聊聊生产里要注意的事。

原理篇讲了 RAG 是什么，这篇带你亲手搭一个能跑的。从文档切分、向量化入库，到检索、重排、拼上下文、生成答案，给出最小可运行代码；然后把 Demo 推向生产：混合检索、Rerank、查询改写、相似度兜底、引用溯源、评测集和增量更新，附一份逐项可落地的调优清单。

大模型知识冻结、会幻觉、不知道企业内部数据。RAG（检索增强生成）通过“先检索、再生成”把外部知识注入上下文，是当前落地最广的大模型应用范式。本文带你走通 RAG 的完整链路：分块、嵌入、检索与重排，以及工程上最常踩的坑。