2025/5/18

继续研究一下大佬的RAG项目。开始我的碎碎念。

RAG可以分成两部分：一个是问答，一个是数据处理。

问答是人提问，然后查数据库，把查的东西用大模型组织成人话，回答人的提问。

数据处理是把当下知识库里的东西（不管是什么类型的数据），全弄成计算机话（代码能明白的格式）存到数据库，然后方便人提问的时候（也就是问答）给出可以回答的知识。

如果想让项目跑起来，必须把ES服务启动起来，该项目是用ES存的数据。

项目启动时，会先运行LoadStartup（在Springboot应用启动时），初始化向量存储（具体初始化向量存储用vectorstorage的initCollection()方法，指定名称和维度，向量维度是1024为了适配智谱AI）。总之就是自动初始化一个向量数据库的集合（Collection），用于存储后续的向量数据（如文本嵌入向量）。

我们看到LoadStartup类有一个注解@Component

所以@Service、@Repository等等这些注解，本质上都是@Component。只是根据层次有不同叫法。

这个collection是森马样子？回头再写吧。

---

首先，就是输入的问题。我们要存的知识不一定是什么类型，可能使txt，可能是word，甚至是pdf。那我们就需要把输入的东西先变成文本。

项目运行起来之前，点击运行下载好的es的bin文件夹下elasticsearch.bat，启动服务。

此时可以再终端看到可交互的shell命令行。这个应该是通过spring shell工具包实现的，项目的pom.xml文件里可以看到已经配置了shell的起步依赖。怎么用这个shell包呢？可以通过自己编写java类，自己做命令。前面说过把RAG分成两部分：问答，数据处理。使用add命令完成数据处理部分的工作，使用chat命令完成问答部分的工作。新建command文件夹来存放这两个类：add命令类，chat命令类。

通过 @ShellMethod 注解将 Java 方法暴露为 Shell 命令。

@ShellMethod(value = "add local txt data")  // 声明这是一个Shell命令，描述为"add local txt data"
public String add(String doc) {            // 定义命令方法，接收一个字符串参数doc（文件路径或文本内容）log.info("start add doc.");            // 打印日志：开始处理文档// 1. 文本分块（Chunking）List<ChunkResult> chunkResults = txtChunk.chunk(doc);  // 调用分块工具，将文档拆分为多个文本块// 2. 向量化（Embedding）List<EmbeddingResult> embeddingResults = zhipuAI.embedding(chunkResults);  // 使用智谱AI（或其他模型）将文本块转为向量// 3. 向量存储String collection = vectorStorage.getCollectionName();  // 获取向量数据库的集合名（类似表名）vectorStorage.store(collection, embeddingResults);     // 将向量存储到数据库中log.info("finished");                  // 打印日志：处理完成return "finished docId:{}" + doc;      // 返回处理结果（格式有误，应为String.format）
}

数据处理的三步：文本分块、向量化、向量存储。最后返回结果。

这几步全调用方法，现在看是一个黑盒，知道输入输出和功能就行，后面再具体看黑盒里面的代码。

doc参数是文件内容还是文件路径搞不懂？试着输出了doc，发现是文件名。但是，根据文件名就能找着？？

发现有一个默认路径/data，然后再默认路径/data下找doc文件名。找一下哪里设置的默认路径。

/data在chunk这里。

所以这个意思是，add 文件名。add这个方法就收到了参数doc文件名。然后进行文本分块（数据处理的具体代码放在/compoents文件夹），调用了chunk方法，然后根据默认路径+文件名+.txt，就得到一条完整的路径（相对路径）。

读取文件流classpathresource(path)

来回流转的数据，封装在对象中，而这些对象的代码都放在/domain文件夹里。

---

明天再写。