name: RAG向量化存储实现 overview: 基于 pgvector + Ollama(bge-large-zh-v1.5) + DeepSeek API 实现 RAG 系统，包含文本分块、向量化、向量存储、相似度检索和问答生成功能。 todos:

id: sql-schema content: 创建 RAG 相关数据表 SQL（text_chunks, vector_embeddings） status: completed
id: entities content: 实现 TextChunk 和 VectorEmbedding 实体类 status: completed
id: repositories content: 实现 Repository 层（含向量检索原生 SQL） status: completed
id: chunk-service content: 实现文本分块服务 TextChunkService status: completed
id: ollama-service content: 实现 Ollama Embedding 服务 OllamaEmbeddingService status: completed
id: vector-search content: 实现向量检索服务 VectorSearchService status: completed
id: deepseek-client content: 实现 DeepSeek API 客户端 status: completed
id: rag-service content: 实现 RAG 核心服务 status: completed
id: rag-controller content: 实现 RAG API Controller status: completed
id: config content: 添加配置项和配置类 status: completed
id: integration content: 集成到现有 TextStorageService 和 ParseService status: completed ---

RAG 向量化存储实现计划

技术架构

flowchart LR
    subgraph input [文档输入]
        A[上传文档] --> B[文本提取]
    end
    
    subgraph vectorization [向量化处理]
        B --> C[文本分块]
        C --> D[Ollama Embedding]
        D --> E[pgvector存储]
    end
    
    subgraph query [RAG查询]
        F[用户问题] --> G[问题向量化]
        G --> H[向量检索]
        H --> I[上下文构建]
        I --> J[DeepSeek生成]
        J --> K[返回答案]
    end
    
    E --> H

一、数据库层

1.1 启用 pgvector 扩展

在 backend/sql/init.sql 中添加 pgvector 扩展和新表。

新增 SQL:

-- 启用向量扩展
CREATE EXTENSION IF NOT EXISTS vector;

-- 文本分块表
CREATE TABLE text_chunks (
    id VARCHAR(32) PRIMARY KEY,
    document_id VARCHAR(32) NOT NULL,
    text_storage_id VARCHAR(32),
    chunk_index INTEGER NOT NULL,
    content TEXT NOT NULL,
    token_count INTEGER,
    metadata JSONB,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

-- 向量嵌入表
CREATE TABLE vector_embeddings (
    id VARCHAR(32) PRIMARY KEY,
    chunk_id VARCHAR(32) NOT NULL REFERENCES text_chunks(id) ON DELETE CASCADE,
    embedding vector(1024),  -- bge-large-zh-v1.5 维度
    model_name VARCHAR(100) DEFAULT 'bge-large-zh-v1.5',
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

-- HNSW 向量索引
CREATE INDEX idx_vector_embeddings_hnsw ON vector_embeddings 
    USING hnsw (embedding vector_cosine_ops);

二、实体层 (graph-service)

2.1 TextChunk 实体

新建文件: backend/graph-service/src/main/java/com/lingyue/graph/entity/TextChunk.java

@Data
@TableName(value = "text_chunks", autoResultMap = true)
public class TextChunk extends SimpleModel {
    private String documentId;
    private String textStorageId;
    private Integer chunkIndex;
    private String content;
    private Integer tokenCount;
    private Map<String, Object> metadata;
}

2.2 VectorEmbedding 实体

新建文件: backend/graph-service/src/main/java/com/lingyue/graph/entity/VectorEmbedding.java

@Data
@TableName("vector_embeddings")
public class VectorEmbedding extends SimpleModel {
    private String chunkId;
    private String embedding;  // pgvector 格式字符串
    private String modelName;
}

三、Repository 层

3.1 TextChunkRepository

新建文件: backend/graph-service/src/main/java/com/lingyue/graph/repository/TextChunkRepository.java

3.2 VectorEmbeddingRepository

新建文件: backend/graph-service/src/main/java/com/lingyue/graph/repository/VectorEmbeddingRepository.java

需自定义原生 SQL 查询实现向量相似度检索

四、Service 层

4.1 文本分块服务

新建文件: backend/graph-service/src/main/java/com/lingyue/graph/service/TextChunkService.java

核心功能:

chunkText(documentId, textStorageId, text) - 文本分块
分块策略: 500字符/块，50字符重叠
智能句子边界切分（句号、问号等）
自动计算 token 数量

4.2 Ollama Embedding 服务

新建文件: backend/graph-service/src/main/java/com/lingyue/graph/service/OllamaEmbeddingService.java

核心功能:

embed(text) - 单文本向量化
embedBatch(texts) - 批量向量化
调用 Ollama API: POST http://localhost:11434/api/embeddings
模型: bge-large-zh-v1.5 或 nomic-embed-text

4.3 向量检索服务

新建文件: backend/graph-service/src/main/java/com/lingyue/graph/service/VectorSearchService.java

核心功能:

search(query, topK, documentId) - 向量相似度检索
使用 pgvector 的 <=> 余弦距离操作符
支持按文档 ID 筛选

4.4 RAG 服务

新建文件: backend/graph-service/src/main/java/com/lingyue/graph/service/RAGService.java

核心功能:

query(question, documentId, topK) - RAG 问答
上下文构建（拼接相关文本块）
Prompt 模板管理

五、AI 服务层 (ai-service)

5.1 DeepSeek 客户端

新建文件: backend/ai-service/src/main/java/com/lingyue/ai/client/DeepSeekClient.java

核心功能:

complete(prompt) - 文本生成
chat(messages) - 对话生成
API 配置: URL、API Key、模型选择

5.2 DeepSeek DTO

新建文件:

backend/ai-service/src/main/java/com/lingyue/ai/dto/ChatRequest.java
backend/ai-service/src/main/java/com/lingyue/ai/dto/ChatResponse.java

六、配置层

6.1 配置类

新建文件: backend/graph-service/src/main/java/com/lingyue/graph/config/VectorConfig.java

配置 Ollama WebClient Bean。

6.2 配置项

在 backend/lingyue-starter/src/main/resources/application.properties 中添加:

# Ollama Embedding 配置
ollama.url=http://localhost:11434
ollama.embedding.model=nomic-embed-text

# DeepSeek API 配置
deepseek.api.url=https://api.deepseek.com
deepseek.api.key=${DEEPSEEK_API_KEY:}
deepseek.api.model=deepseek-chat

# RAG 配置
rag.chunk.size=500
rag.chunk.overlap=50
rag.search.top-k=3

七、Controller 层

7.1 RAG Controller

新建文件: backend/graph-service/src/main/java/com/lingyue/graph/controller/RAGController.java

API 接口:

POST /api/rag/index - 索引文档（分块+向量化）
POST /api/rag/query - RAG 问答
GET /api/rag/chunks/{documentId} - 获取文档分块
DELETE /api/rag/index/{documentId} - 删除文档索引

八、与现有代码集成

8.1 扩展 TextStorageService

修改 backend/graph-service/src/main/java/com/lingyue/graph/service/TextStorageService.java

保存文本后自动触发分块和向量化
新增方法: saveAndIndex(documentId, filePath)

8.2 扩展 ParseService

修改 backend/parse-service/src/main/java/com/lingyue/parse/service/ParseService.java

解析完成后自动调用 RAG 索引

九、Ollama 部署

9.1 安装 Ollama

curl -fsSL https://ollama.com/install.sh | sh

9.2 拉取 Embedding 模型

# 推荐使用 nomic-embed-text（Ollama 原生支持）
ollama pull nomic-embed-text

# 或使用 bge 系列（需确认 Ollama 支持）
ollama pull bge-large

十、文件清单

| 类型 | 文件路径 | 说明 |

|-----|---------|------|

| SQL | backend/sql/rag_tables.sql | RAG 相关表 |

| Entity | graph-service/.../entity/TextChunk.java | 文本分块实体 |

| Entity | graph-service/.../entity/VectorEmbedding.java | 向量嵌入实体 |

| Repository | graph-service/.../repository/TextChunkRepository.java | 分块数据访问 |

| Repository | graph-service/.../repository/VectorEmbeddingRepository.java | 向量数据访问 |

| Service | graph-service/.../service/TextChunkService.java | 文本分块服务 |

| Service | graph-service/.../service/OllamaEmbeddingService.java | Ollama 向量化 |

| Service | graph-service/.../service/VectorSearchService.java | 向量检索 |

| Service | graph-service/.../service/RAGService.java | RAG 核心服务 |

| Config | graph-service/.../config/VectorConfig.java | 向量配置 |

| Client | ai-service/.../client/DeepSeekClient.java | DeepSeek 客户端 |

| DTO | ai-service/.../dto/ChatRequest.java | 请求 DTO |

| DTO | ai-service/.../dto/ChatResponse.java | 响应 DTO |

| Controller | graph-service/.../controller/RAGController.java | RAG API |

rag向量化存储实现_a8bc800e.plan.md 8.8 KB Histórico Raw

RAG 向量化存储实现计划

技术架构

一、数据库层

1.1 启用 pgvector 扩展

二、实体层 (graph-service)

2.1 TextChunk 实体

2.2 VectorEmbedding 实体

三、Repository 层

3.1 TextChunkRepository

3.2 VectorEmbeddingRepository

四、Service 层

4.1 文本分块服务

4.2 Ollama Embedding 服务

4.3 向量检索服务

4.4 RAG 服务

五、AI 服务层 (ai-service)

5.1 DeepSeek 客户端

5.2 DeepSeek DTO

六、配置层

6.1 配置类

6.2 配置项

七、Controller 层

7.1 RAG Controller

八、与现有代码集成

8.1 扩展 TextStorageService

8.2 扩展 ParseService

九、Ollama 部署

9.1 安装 Ollama

9.2 拉取 Embedding 模型

十、文件清单

rag向量化存储实现_a8bc800e.plan.md 8.8 KB

Histórico Raw