本文详细介绍如何从零构建一个企业级 RAG知识库问答系统，涵盖离线入库、在线检索、混合检索、重排序、缓存优化、并发限流等核心能力。通过 Spring Boot 3 + LangChain4j + LlamaIndex 的技术栈，实现支持 PDF/DOCX/HTML/MD/TXT 等多格式文档的智能问答服务。完整代码可运行，提供验证命令和性能优化建议，适合企业生产环境部署。

技术栈

• Java: JDK 17+
• Spring Boot: 3.2.12
• LlamaIndex:0.10.0
• LangChain4j: 1.11.0
• 数据库: H2（元数据）、Chroma（向量）
• LLM: Ollama（llama3.1）
• 构建工具: Maven 3.6+

依赖安装

# 1. 克隆项目git clone https://github.com/your-org/rag-knowledgebase.gitcd rag-knowledgebase# 2. 启动 Chroma 向量数据库pip install chromadbchroma run --path ./chroma_data# 3. 启动 Ollama LLM 服务ollama pull llama3.1ollama serve# 4. 启动 LlamaIndex 侧车服务（可选）python3 -m venv .venvsource .venv/bin/activatepip install -r llamaindex_service/requirements.txtuvicorn llamaindex_service.app:app --host 0.0.0.0 --port 9001

配置说明

核心配置文件 application.yml：

rag:
chroma:
base-url: http://localhost:8000
collection: kb
ollama:
base-url: http://localhost:11434
model-name: llama3.1
retrieval:
top-k: 5
min-score: 0.2
candidate-size: 20
hybrid:
enabled: true
full-text-top-k: 20
rerank:
keyword-enabled: true
keyword-boost: 0.1
cross-encoder:
enabled: false
llamaindex:
base-url: http://localhost:9001
mode: dual  # langchain4j / llamaindex / dual
cache:
enabled: true
embedding:
max-size: 1000
ttl: 30m
result:
max-size: 500
ttl: 10m

系统架构总览

核心模块实战

模块一：混合检索服务（HybridRetrievalService）

结论

企业级 RAG 系统必须采用混合检索策略，将向量相似度检索与全文检索结合，通过 RRF（Reciprocal Rank Fusion）算法融合结果，既保留语义理解能力，又弥补关键词匹配的不足。

原理

• 向量检索

  基于 Embedding 的语义相似度，擅长理解同义词、概念关联

• 全文检索

  基于 Lucene 的精确匹配，擅长专有名词、编号、技术术语

• RRF 融合

  1/(k + rank) 公式融合两路排序，k 常取 60

场景

1. 同义词检索

   问"怎么入库"，“入库流程”、"文档上传"都能匹配

2. 专有名词匹配

   问"配置 rag.llamaindex.mode"，全文检索精准匹配

3. 模糊查询

   问"性能优化"，语义检索匹配"缓存"、"限流"相关内容

边界

• 极端情况

  当候选集为空时，返回空列表而非抛异常

• 并发安全

  融合器无状态设计，支持高并发调用

• 资源限制

  融合 TopK 不超过 candidateSize，避免内存溢出

优化/权衡

维度	向量检索	全文检索	混合检索
准确率	语义强	精准强	均衡最优
召回率	中等	较高	高
性能	慢（Embedding）	快	中等
存储	向量库大	索引小	均需存储

核心代码

public class HybridRetrievalService {
private final ContentRetriever vectorRetriever;
private final ContentRetriever fullTextRetriever;
public List<Content> retrieve(Query query, int topK) {
List<Content> vector = safeRetrieve(vectorRetriever, query);
List<Content> fullText = safeRetrieve(fullTextRetriever, query);
return fuse(vector, fullText, topK);
}
public List<Content> fuse(List<Content> vector, List<Content> fullText, int topK) {
List<List<Content>> inputs = new ArrayList<>();
if (vector != null && !vector.isEmpty()) {
inputs.add(vector);
}
if (fullText != null && !fullText.isEmpty()) {
inputs.add(fullText);
}
if (inputs.isEmpty()) {
return List.of();
}
return ReciprocalRankFuser.fuse(inputs, topK);
}
private List<Content> safeRetrieve(ContentRetriever retriever, Query query) {
List<Content> result = retriever.retrieve(query);
return result == null ? List.of() : result;
}
}

验证

# 启动服务
mvn -q -DskipTests spring-boot:run \
-Dspring-boot.run.main-class=com.example.rag.RagApplication
# 测试混合检索
curl -X POST http://localhost:8080/api/qa \
-H 'Content-Type: application/json' \
-d '{
"question": "如何配置 LlamaIndex 模式？",
"version": "v1"
}'
# 预期输出：包含配置说明与示例代码的 JSON 响应
{
"answer": "LlamaIndex 模式支持三种配置：langchain4j、llamaindex、dual...",
"evidence": ["mode: langchain4j - 仅使用 LangChain4j 检索...", ...],
"sources": ["README.md:config", "application.yml:llamaindex"]
}

模块二：二级缓存优化（RagCache）

结论

企业 RAG 系统必须实现二级缓存策略：

1. 嵌入缓存

   ：缓存查询向量的 Embedding 计算结果，减少 LLM 调用

2. 结果缓存

   ：缓存完整问答结果，极致提升重复查询响应速度

原理

• Caffeine

  高性能 Java 缓存库，基于 W-TinyLFU 算法

• TTL 过期

  设置合理的过期时间（嵌入 30m、结果 10m），平衡新鲜度与命中率

• 大小限制

  设置最大条目数，避免内存溢出

场景

1. 热点问题

   用户反复问"如何入库"，结果缓存直接返回，100ms → 5ms

2. 相似查询

   "入库流程"与"怎么入库"命中同一 Embedding 缓存

3. 并发场景

   100 个用户同时问相同问题，缓存锁避免重复计算

边界

• 缓存穿透

  查询不存在的数据时，缓存 null 值（可选）

• 缓存雪崩

  TTL 设置相同时间，考虑随机化（可优化）

• 缓存击穿

  热点数据过期时，使用 get(key, loader) 原子加载

优化/权衡

策略	命中率	内存占用	新鲜度	适用场景
禁用缓存	0%	低	实时	测试环境
嵌入缓存	30-50%	中	中	生产环境
结果缓存	60-80%	高	低	高频问题
双级缓存	80-90%	高	低	推荐

核心代码

public class RagCache {
private final RagProperties.Cache properties;
private final Cache<String, Embedding> embeddingCache;
private final Cache<String, RagResponse> resultCache;
// 嵌入缓存：计算后缓存
public Embedding getEmbedding(String key, Supplier<Embedding> loader) {
if (!properties.isEnabled()) {
return loader.get();
}
return embeddingCache.get(key, k -> loader.get());
}
// 结果缓存：直接读取
public RagResponse getResult(String key) {
if (!properties.isEnabled()) {
return null;
}
return resultCache.getIfPresent(key);
}
// 结果缓存：计算或读取
public RagResponse getOrComputeResult(String key, Supplier<RagResponse> loader) {
if (!properties.isEnabled()) {
return loader.get();
}
return resultCache.get(key, k -> loader.get());
}
// 写入结果缓存
public void putResult(String key, RagResponse response) {
if (!properties.isEnabled()) {
return;
}
resultCache.put(key, response);
}
private <T> Cache<String, T> buildCache(int maxSize, Duration ttl) {
return Caffeine.newBuilder()
.maximumSize(maxSize)
.expireAfterWrite(ttl)
.build();
}
}

验证

# 第一次查询（缓存未命中，约 2-3s）
time curl -X POST http://localhost:8080/api/qa \
-H 'Content-Type: application/json' \
-d '{"question":"入库流程是什么？"}'
# 第二次查询（命中结果缓存，约 5-10ms）
time curl -X POST http://localhost:8080/api/qa \
-H 'Content-Type: application/json' \
-d '{"question":"入库流程是什么？"}'
# 查看日志
tail -f logs/application.log | grep "命中结果缓存"
# 预期输出
# 命中结果缓存

模块三：双路重排序（KeywordReranker + CrossEncoderReranker）

结论

企业 RAG 系统需要实现双路重排序策略：

1. 关键词重排

   基于用户显式关键词，快速提升相关结果

2. CrossEncoder 重排

   基于深度学习模型，精准重排 TopK 候选

原理

• 关键词重排

  baseScore + boost * keywordMatchCount，boost 默认 0.1

• CrossEncoder

  ms-marco-MiniLM-L-6-v2 模型，计算 Query-Document 相关性分数

场景

1. 专业术语

   问"配置 rag.llamaindex.mode"，关键词精准匹配配置代码

2. 多意图查询

   问"缓存和限流怎么配置"，同时匹配两个功能模块

3. 长尾问题

   问"怎么处理 OOM"，关键词匹配"内存"、“溢出”

边界

• 关键词为空

  直接跳过关键词重排，使用原始排序

• 候选集过大

  CrossEncoder 仅重排 Top10（可配置），避免性能瓶颈

• 模型未初始化

  降级到关键词重排，保证可用性

优化/权衡

重排策略	准确率	延迟	资源消耗	适用场景
无重排	60-70%	0ms	低	简单场景
关键词	70-80%	1ms	低	用户显式意图
CrossEncoder	80-90%	50-200ms	高（GPU）	精度优先
双路重排	85-92%	50-200ms	高	推荐配置

核心代码

// 关键词重排
public List<KeywordReranker.RerankedSegment> rerank(
List<CandidateSegment> candidates,
List<String> keywords,
double boost) {
if (keywords == null || keywords.isEmpty()) {
return candidates.stream()
.map(c -> new RerankedSegment(c.text(), c.score()))
.toList();
}
return candidates.stream()
.map(c -> {
double keywordScore = calculateKeywordScore(c.text(), keywords);
double newScore = c.score() + boost * keywordScore;
return new RerankedSegment(c.text(), newScore);
})
.sorted((a, b) -> Double.compare(b.score(), a.score()))
.toList();
}
// CrossEncoder 重排
public List<ScoredSegment> rerank(String query, List<TextSegment> candidates) {
if (candidates.isEmpty()) {
return List.of();
}
List<String> texts = candidates.stream()
.map(TextSegment::text)
.toList();
float[] scores = scoringModel.score(query, texts);
List<ScoredSegment> scoredSegments = new ArrayList<>();
for (int i = 0; i < candidates.size(); i++) {
scoredSegments.add(new ScoredSegment(candidates.get(i), scores[i]));
}
return scoredSegments.stream()
.sorted((a, b) -> Float.compare(b.score(), a.score()))
.toList();
}

验证

# 关键词重排测试
curl -X POST http://localhost:8080/api/qa \
-H 'Content-Type: application/json' \
-d '{
"question": "配置优化建议",
"keywords": ["缓存", "限流", "性能"],
"topK": 3
}'
# CrossEncoder 重排测试（需启用配置）
# 修改 application.yml: rag.retrieval.rerank.cross-encoder.enabled: true
curl -X POST http://localhost:8080/api/qa \
-H 'Content-Type: application/json' \
-d '{
"question": "如何处理并发限流？",
"topK": 5
}'
# 预期日志
# 关键词重排完成, evidenceSize=5
# 交叉重排完成, rerankTopK=5, evidenceSize=5

模块四：并发限流保护（QueryLimiter）

结论

企业 RAG 系统必须实现并发限流保护，防止突发流量压垮 LLM 服务，避免资源耗尽和响应超时。

原理

• Resilience4j Bulkhead

  基于信号量的并发控制，限制同时执行的请求数

• 队列容量

  超出并发数的请求进入队列，队列满后拒绝

• 优雅降级

  限流时返回提示信息，而非直接失败

场景

1. 突发流量

   营销活动期间 1000 用户同时提问，限流至 8 并发

2. 慢查询保护

   复杂检索耗时长，限流避免阻塞其他请求

3. 资源保护

   LLM 服务响应慢时，限流保护系统稳定性

边界

• 队列满拒绝

  返回限流提示，用户可稍后重试

• 超时处理

  设置合理超时（8s），避免请求堆积

• 监控告警

  监控限流率，及时扩容或优化

优化/权衡

配置	core-size	max-size	queue-capacity	适用场景
低负载	2	4	32	测试/内网
中等负载	4	8	64	推荐配置
高负载	8	16	128	公网服务
超高负载	16	32	256	促销活动

核心代码

public class QueryLimiter {
private final Bulkhead bulkhead;
public <T> T execute(Supplier<T> supplier) {
try {
return Bulkhead.decorateSupplier(bulkhead, supplier).get();
} catch (Exception e) {
log.error("限流或超时", e);
throw new RuntimeException("请求繁忙，请稍后重试", e);
}
}
// 构建限流器
public static QueryLimiter create(RagProperties.Concurrency config) {
BulkheadConfig bulkheadConfig = BulkheadConfig.custom()
.maxConcurrentCalls(config.getCoreSize())
.maxWaitDuration(Duration.ofMillis(1000))
.build();
Bulkhead bulkhead = Bulkhead.of(config.getName(), bulkheadConfig);
return new QueryLimiter(bulkhead);
}
}

验证
# 并发测试（10 个并发请求）
for i in {1..10}; do
curl -X POST http://localhost:8080/api/qa \
-H 'Content-Type: application/json' \
-d '{"question":"测试问题'$i'"}' &
done
wait
# 查看日志
tail -f logs/application.log | grep -E "限流|繁忙"
# 预期输出
# 请求繁忙，请稍后重试

常见问答/追问

Q1：混合检索的 TopK 如何配置？

A：建议 topK=5、candidate-size=20。TopK 是最终返回数量，CandidateSize 是融合前候选集大小。召回率优先可调至 10/40，准确率优先可调至 3/10。

Q2：缓存的 TTL 如何设置？

A：嵌入缓存 30m，结果缓存 10m。嵌入计算成本高，缓存时间长；结果更新快，缓存时间短。可根据知识库更新频率调整。

Q3：CrossEncoder 必须启用吗？

A：非必须。关键词重排已能满足大部分场景，CrossEncoder 适合对精度要求极高的场景（如法律、医疗）。需要 GPU 资源，延迟增加 50-200ms。

Q4：LlamaIndex 侧车必须部署吗？

A：非必须。支持三种模式：langchain4j（仅 Java）、llamaindex（仅 Python）、dual（双路并行）。生产环境建议先用 langchain4j，稳定后尝试 dual。

Q5：如何监控 RAG 系统健康？

A：关注 4 类指标：

• 性能

  P95/P99 响应时间、缓存命中率

• 质量

  答案准确率（人工评测）、召回率

• 可用性

  限流率、错误率、LLM 调用成功率

• 资源

  内存、CPU、GPU、向量库大小

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！