企业想让 AI 回答内部合同、文档的问题,直接问大模型是不行的——它没见过你的文档。就算把文档塞进去,几万字也超了上下文窗口。这篇拆 RuoYi-AI 怎么用 RAG 解决"AI 不知道公司内部知识",以及向量库怎么做到配置一行切换、MCP 怎么给 AI 装外挂。
阶段六会系统讲 RAG 与 Agent。这篇先看向量库多实现与 MCP 接入的源码样子。
用户上传一份产品手册,系统要把它变成 AI 可检索的知识。流程是:按文件类型选加载器解析出文本 → 切成小块 → 每块算出向量(Embedding,把文字转成一串 float 数字,语义相近的数字也相近)→ 存进向量库。
用户提问时:问题也算成向量 → 去向量库找最近的几块文本 → 拼进 Prompt → 再交给大模型回答。这就是 RAG(Retrieval-Augmented Generation,检索增强生成,先查资料再回答)。
向量库的策略模式(同一接口多个实现,运行时选一个)像图书馆换书架:书(向量数据)怎么摆不重要,读者查询接口不变。Milvus、Weaviate、Qdrant 就是三种书架,配置文件改一行就换。
MCP(Model Context Protocol,Anthropic 提出的 AI 调用外部工具的标准协议)像 USB 接口:AI 想要什么能力,就插什么工具插件,协议统一了就不用为每个工具单独写适配。
# 1. 启动项目后,管理后台上传一份 PDF 到知识库
# 系统自动完成:解析 → 分块 → 向量化 → 入库
# 2. 用 curl 发起带知识库的对话
curl -X POST 'http://{{HOST}}/chat/sse/chat' \
-H 'Authorization: {{AUTH_HEADER}}' \
-d '{"prompt":"年假有几天?","kbIds":["1"]}'
# 3. 返回是 SSE 流,回答内容来自你上传的 PDF,而非模型自带知识
// 定义一个 MCP 内置工具:AI 可自主决定何时调用
@Tool("查询订单状态")
public String getOrderStatus(@Param("orderId") String orderId) {
return orderMapper.selectById(orderId).getStatus();
}
VectorStoreService (接口)
▲
AbstractVectorStoreStrategy (抽象类:分块参数、异常处理等公共逻辑)
▲
┌───────┼───────────┐
Weaviate Milvus Qdrant
VectorStoreStrategyFactory 按配置选择具体实现。切换向量库只改配置文件,业务代码零改动——这是面向接口编程的标准示范。选型时三家差异主要在规模:Milvus 适合亿级数据,Weaviate/Qdrant 中小规模更轻。
入库链路有两个工厂接力:
1. ResourceLoaderFactory 按文件类型选 Loader,项目内置 10 种(PDF/Word/Excel/Markdown/CSV/JSON/代码文件/GitHub 仓库等)
2. EmbeddingModelFactory 创建向量化模型,把文本块转成向量
分块策略有 5 种可配。分块大小直接影响检索质量:太大则召回内容稀释、太小则语义被切碎,一般 300~500 字配合 10%~20% 重叠是比较稳的起点。
查询侧的关键在 buildContextMessages():把检索到的知识块拼进系统提示词,再连同历史消息一起发给模型。模型"以为自己在读系统说明",实际上读的是你的私有文档。
ToolProviderFactory 管三类工具源:
@Tool 注解这同样是工厂路由。接入 bing-cn-mcp 联网搜索、mcp-echarts 画图这类第三方 Server,只需配置端点,不用写代码。
模型怎么"自己决定"调工具?靠 Function Calling(模型输出结构化的工具调用请求,框架执行后把结果回填给模型)。整个过程模型可能多轮调用,最终汇总回答。
observability/ 下 13 个 Listener 挂满全链路:MyChatModelListener 监听模型请求响应、MyToolExecutedEventListener 监听工具调用、MyMcpClientListener 监听 MCP 客户端、MyInputGuardrailExecutedListener 做输入安全护栏。排查"AI 为什么调错工具""检索为什么没命中",全靠这些监听器(观察者模式,在事件发生时被回调)留下的轨迹。
知识库不是全公司共享一锅粥。ruoyi-common-tenant 组件基于 MyBatis-Plus 插件,自动给 SQL 拼 tenant_id 条件,A 租户上传的文档 B 租户查不到,向量检索也按租户过滤。这是行级隔离(同一张表里用字段区分不同租户的数据)。
AI 场景里这尤其重要:向量库里存的是语义数字,一旦串租户,泄露的不只是一条记录,而是整份文档的语义。做私有化部署或 SaaS 时,这是必须先验证的一环。
知识库入库是重活,一份大文档要切几十上百块分别向量化。防止重复上传、重复解析,项目用 Lock4j(注解式分布式锁,底层 Redisson)加 @Lock4j(keys = "#userId") 锁住操作。批量向量化、定时重建索引这类异步任务交给 SnailJob(国产分布式任务调度框架,支持重试和补偿)独立 server 执行。
向量化的另一个坑是维度(向量数组长度):不同 Embedding 模型产出的维度不同,换模型后旧向量全部作废,必须全量重算入库。
用熟悉的类比理解这一篇的术语:LLM 是一个远程 Service,Embedding 是把文字序列化成 float 数组,向量库是专存这种数组的特殊数据库,Prompt 相当于方法入参,Token 是文字计量单位(约 1.5 个汉字一个),计费和限流都按它算。带着这些对照读源码,陌生感会小很多。
「RAG 的完整链路是什么?」——答:文档加载(ResourceLoaderFactory 按类型选 Loader,内置 10 种)→ 分块(TextSplitter,5 种策略)→ 向量化(EmbeddingModelFactory)→ 存向量库;查询时问题向量化、近邻检索 TopK、拼进上下文再交给模型回答。
「RuoYi-AI 怎么支持多个向量库切换?」——答:VectorStoreService 接口 + AbstractVectorStoreStrategy 抽象类放公共逻辑,Milvus/Weaviate/Qdrant 各自实现,VectorStoreStrategyFactory 按配置路由,切换零改业务代码。
「MCP 解决什么问题?」——答:统一 AI 调用外部工具的协议,内置/本地 stdio/远程 HTTP 三类工具源由 ToolProviderFactory 统一管理,接第三方 MCP Server 只需配置。