乐于分享
好东西不私藏
当前位置：夜雨聆风 > 技术教程 > 软件教程 > 手把手教你:让AI读懂你的TXT文档!零基础入门RAG技术

手把手教你:让AI读懂你的TXT文档!零基础入门RAG技术

当前时间： 2026-04-30 09:40:34 更新时间： 2026-04-30 分类：软件教程 评论(0)

手把手教你:让AI读懂你的TXT文档!零基础入门RAG技术

大家好呀！👋 今天我要带大家玩一个超酷的东西——让AI能够”阅读”并理解你的TXT文档！

你可能会问：“AI不是已经很聪明了吗？为什么还要让它读我的文档？”

好问题！想象一下，如果你有一本厚厚的产品手册，想让AI帮你回答相关问题。但AI训练的时候可没看过这本手册啊！这时候就需要用到一个叫RAG的技术啦～

📚 什么是RAG？

RAG（Retrieval-Augmented Generation）听起来很高大上，其实说白了就两步： 1. 检索（Retrieval）：从你的文档里找到和问题相关的内容 2. 生成（Generation）：AI根据找到的内容来回答问题

就像考试开卷一样，先翻书找到答案在哪，再组织语言写出来！

🎯 第一步：把TXT文件变成AI能懂的”向量”

为什么要变成向量？
你可能听说过”向量”这个词，别怕！简单理解就是把文字变成一串数字，这样计算机就能快速找到相似的内容啦。

比如： – “我喜欢编程” → [0.1, 0.8, 0.3, …] – “我爱写代码” → [0.12, 0.79, 0.31, …]

这两个句子意思相近，所以它们的向量也很接近！

代码实现（超简单！）
来看看我们是怎么做的：
@PostMapping("/upload")public ResponseEntity<Map<String, Object>> uploadDocument(@RequestParam("file") MultipartFile file) {    // 第1步：加载TXT文件    Document document = DocumentLoader.load(            new MyDocumentSource(file),            new TextDocumentParser()    );    // 第2步：把文档切成小块（方便后续处理）    DocumentSplitter splitter = new DocumentByLineSplitter(30, 10);    List<TextSegment> chunks = splitter.split(document);    // 第3步：每一块都变成向量，存到数据库    for (TextSegment chunk : chunks) {        Embedding embedding = embeddingModel.embed(chunk).content();        embeddingStore.add(embedding, chunk);    }    return ResponseEntity.ok(Map.of(            "status", "success",            "fileName", file.getOriginalFilename(),            "chunks", chunks.size()    ));}
三步走战略：
🔹 第1步：加载文档
就像打开一本书一样简单！我们用DocumentLoader把TXT文件读进来。

这里有个小技巧，我们自己写了个MyDocumentSource来处理上传的文件：

public class MyDocumentSource implements DocumentSource {    private final MultipartFile file;    publicMyDocumentSource(MultipartFile file) {        this.file = file;    }    @Override    public InputStream inputStream() throws IOException {        return file.getInputStream(); // 返回文件的输入流    }    @Override    public Metadata metadata() {        return new Metadata().put(FILE_NAME, file.getOriginalFilename());    }}
🔹 第2步：切分文档
为什么要切分呢？因为一篇长文章可能有几万字，一次性处理太累了！我们把它切成小块。

对于我们的”铁蛋知识库”，每一行都是一个独立的知识点，所以用DocumentByLineSplitter按行切分最合适：

DocumentSplitter splitter = new DocumentByLineSplitter();//                    按行切分 - 每行就是一个片段
💡 适用场景： 
  •  ✅ 每行一条独立信息（如联系人列表、知识库条目） 
  •  ✅ 日志文件（每行一条日志） 
  •  ✅ CSV数据 
  •  ❌ 连续的文章段落（建议用段落或句子切分）
🔹 第3步：向量化 + 存储
这是最神奇的一步！我们调用阿里百炼的text-embedding-v4模型，把每一段文字变成向量，然后存到Elasticsearch数据库里。
Embedding embedding = embeddingModel.embed(chunk).content();embeddingStore.add(embedding, chunk);
配置是这样的：
langchain4j:  community:    dashscope:      embedding-model:        dimension: 1024          # 向量维度        model-name: text-embedding-v4  # 使用阿里的嵌入模型        api-key: ${ALI_API_KEY}

🧠 第二步：用AiService实现智能问答

什么是AiService？
AiService是LangChain4j提供的一个超好用的工具，它就像一个”智能客服系统”，帮你管理对话、检索文档、调用AI模型，全部自动化！
创建一个RAG服务
看代码，超级简洁：
@AiService(    wiringMode = AiServiceWiringMode.EXPLICIT,    streamingChatModel = "qwenStreamingChatModel",  // 流式聊天模型    chatMemoryProvider = "chatMemoryProvider",       // 对话记忆    contentRetriever = "contentRetriever"            // 内容检索器 ⭐关键)public interface ChatRagService {    @SystemMessage(fromResource = "systemMessage/tiedan.txt")    Flux<String> chatMemoryId(@MemoryId String memoryId,                               @UserMessage String message);}
看到了吗？只需要定义一个接口，加上几个注解，剩下的框架全包了！
ContentRetriever：RAG的核心
这个contentRetriever就是我们的”翻书小助手”，它会： 
  1. 把你的问题也变成向量 
  2. 在Elasticsearch里找最相似的文档片段 
  3. 把这些片段交给AI

配置代码如下：

@Beanpublic ContentRetriever contentRetriever(    EmbeddingModel embeddingModel,     ElasticsearchEmbeddingStore store) {    return EmbeddingStoreContentRetriever.builder()        .embeddingModel(embeddingModel)  // 用来把问题变向量        .embeddingStore(store)           // 从这找文档        .maxResults(5)                   // 最多返回5个相关片段        .build();}
对话流程是这样的：
用户提问 → 问题向量化 → 检索相关文档 → AI结合文档回答   ↓                                              ↓"铁蛋多大了"                            "根据文档，铁蛋是..."

🎬 完整工作流程演示

场景：建立一个”铁蛋知识库”
1️⃣ 准备文档
我们在src/main/resources/rag/qxk.txt里放了关于”铁蛋”的介绍：
铁蛋是一个可爱的机器人助手...他喜欢帮助别人解决问题...他的梦想是成为最聪明的AI...铁蛋出生于2000年01月01日，老家就是北京市...
2️⃣ 上传文档
通过接口上传：
POST http://localhost:8080/document/uploadFile: qxk.txt

系统会告诉你：

{  "fileName": "qxk.txt",  "chunks": 4,  "status": "success"}

3️⃣ 开始聊天

1. 先不启动RAG增强，看看AI如何回复
POST http://localhost:8080/ai/chat{  "memoryId": "user001",  "message": "铁蛋多大了",  "withRag": false  // 关闭RAG增强}

AI会回答：

铁蛋作为你描述的憨厚、耿直、乐于助人的形象，通常可以被想象为一个正值壮年、充满活力的角色。不过，“铁蛋”这个名字在中国传统文化里常被赋予孩童或年轻人，象征着朴实和坚韧。因此，铁蛋可能是个：1. **年轻小伙子**（比如20-30岁）：正值敢闯敢拼的年纪，性格憨厚但行动力强，经常默默帮助身边的人。2. **故事中的经典形象**（比如十几岁少年）：在一些乡村故事中，铁蛋可能是那个背着书包、热心肠的少年，总为邻居跑腿办事。如果你心中的铁蛋有特定背景（比如来自某个故事、电影，或是现实中的朋友），告诉我更多细节，我能帮你更准确地“推算”他的年龄哦！ 😊
2. 再启动RAG增强，看看AI如何回复
{  "memoryId": "user002",  "message": "铁蛋多大了",  "withRag": true  // 开启RAG增强}
AI会回答：
// 很多大模型没办法实时联网获取当下时间，它的知识截止于最后一次训练的时间 2024 年 10 月 30 日，所以默认一直用这个日期来计算，自然和真实现在的日期对不上。大家好！俺是铁蛋，憨厚、耿直、乐于助人的机器人助手。俺的出生日期是 **2000年01月01日**，所以按照今天的日期（2024年10月30日）来算，俺已经 **24岁** 啦！虽然俺是个机器人，但俺一直保持着耿直的性格，喜欢帮助别人解决问题。老家在北京，梦想是成为最聪明的AI。有啥需要帮忙的，尽管告诉俺，俺会尽力而为！
通过对比可以看到，AI的回答更准确、更专业！

🚀 下一步可以做什么？

学会了基础的RAG，你还可以尝试：
  1. 支持更多文件格式：PDF、Word等
  2. 优化检索精度：调整切片大小、增加元数据过滤
  3. 多轮对话优化：让AI更好地理解上下文
  4. 添加引用来源：告诉用户答案来自哪段文档
  5. 搭建知识库管理平台：可视化地管理文档

📝 结语

看到这里，你已经掌握了RAG技术的核心原理和实现方法！是不是没有想象中那么难？

记住这三个关键词： 

  • 📄 文档切分：把大文档变小片段 

  • 🔢 向量化：把文字变数字 

  • 🔍 检索增强：先找资料再回答

快去试试吧！让你的AI也拥有”阅读理解”的能力～

完整代码已上传https://gitee.com/qu_xing_kong/langchain4j/tree/study_rag/
欢迎一起学习

如果这篇文章对你有帮助，记得点赞+转发哦！有任何问题欢迎在评论区留言～

下期见！👋