你有一堆设备维修手册 PDF，Agent 不知道这些知识。RAG 是答案——把非结构化文本变成向量，让 LLM 能「看懂」你的私有知识。
问题：LLM 不认识你的设备
通用 LLM 不知道你的设备型号、你的维护流程、你工厂里 CNC-001 上次检修换了哪个轴承。
但你有这些资料——设备维修手册、故障代码对照表、历史检修记录。RAG（Retrieval-Augmented Generation，检索增强生成）就是把这些私有知识「喂」给 LLM 的标准方案。
RAG 的核心流程：
文档 → 文本分块 → Embedding 向量化 → 存入向量数据库 ↓ 用户提问 → Embedding → 向量检索 → Top-K 文档片段 → 拼入 Prompt → LLM 回答本文带你用 Milvus + LangChain4j 实现一个工业 RAG 管道。
架构总览
┌─────────────┐ ┌──────────┐ ┌─────────┐ │ 维修手册文档 │ → │ 文本分块 │ → │ Embedding│ └─────────────┘ │ (500字) │ │ (向量化) │ └──────────┘ └────┬────┘ │ 存入 ▼ ┌─────────┐ │ Milvus │ │ 向量数据库│ └────┬────┘ │ 检索 Top-3 ▼ 用户提问 ──→ Agent ──→ KnowledgeBaseTool ──→ 拼入 Prompt ──→ LLM 回答Step 1：搭建 Milvus
docker-compose.yml加三个服务：
etcd: # 元数据存储 minio: # 对象存储 milvus: # 向量数据库 (standalone)docker compose up -d milvus访问http://localhost:9091确认运行正常。
Step 2：构建知识库
我用 35 条中文工业设备维修知识构建了基础知识库：
public static final List<String> ENTRIES = List.of( "轴承温度超过70°C时，应立即检查润滑系统。常见原因包括润滑脂不足、润滑脂变质、轴承间隙过小...", "电机振动超标（>4.5mm/s）通常由以下原因导致：转子不平衡、联轴器对中偏差...", // ... 35 条工业维修知识 );为什么 35 条而不是 10000 条？MVP 阶段的 RAG 不需要海量数据。35 条覆盖了常见故障类型（机械、电气、液压、传感器），足够验证检索质量。等你验证完分块策略和检索管线，再加量也不迟。
Step 3：文本分块（Chunking）
这是 RAG 最关键的一步。块太大，检索不精准；块太小，语义不完整。
LangChain4j 提供了DocumentSplitter：
DocumentSplitter splitter = DocumentSplitters.recursive(500, 50); // 500 = 每块最大字符数, 50 = 块之间重叠字符数为什么要有重叠？防止关键信息恰好被切在两块边界上。比如「轴承温度过高…建议更换润滑脂」如果被切成两块，检索「轴承温度」只能命中前半段，丢掉了「更换润滑脂」这个关键操作。
Step 4：Embedding + 存入 Milvus
我用 LangChain4j 自带的AllMiniLmL6V2模型，384 维，本地运行不需要 API Key：
EmbeddingModel model = new AllMiniLmL6V2EmbeddingModel(); EmbeddingStoreIngestor ingestor = EmbeddingStoreIngestor.builder() .embeddingModel(model) .embeddingStore(milvusStore) .documentSplitter(splitter) .build(); ingestor.ingest(document);Step 5：@Tool 化 RAG 检索
把 RAG 封装成 LangChain4j 的 @Tool：
@Tool("从工业设备维修知识库中检索相关故障诊断信息。" + "当用户询问设备故障原因、维修方法时使用此工具。" + "输入查询问题，返回最相关的维修知识条目。") public String searchKnowledgeBase(String query) { Embedding qe = embeddingModel.embed(query).content(); var results = embeddingStore.search( EmbeddingSearchRequest.builder() .queryEmbedding(qe).maxResults(3).minScore(0.5).build()); // ... 返回 JSON }LLM 不需要知道搜索引擎的存在。它只需要知道「这个工具能查维修知识」——调用、检索、返回全自动完成。
Step 6：分块大小对比实验
我在ChunkExperiment中测试了四个分块大小对应的检索命中率：
| 分块大小 | 命中率 | 现象 |
|---|---|---|
| 200 字符 | ~55% | 块太碎，语义不完整 |
| 500 字符 | ~85% | 平衡点 — 语义完整 + 检索精准 |
| 1000 字符 | ~78% | 块太大，噪声增加 |
| 2000 字符 | ~65% | 检索结果不精准 |
500 字符是工业知识库的甜点位置。一条设备故障知识通常 300-600 字，500 字刚好覆盖一条完整的「症状→原因→处理」三元组。
完整调用流程
# 1. 启动依赖 docker compose up -d emqx milvus # 2. 启动应用 ./mvnw spring-boot:run # 3. 摄入知识库 curl -X POST http://localhost:8080/api/rag/ingest # 4. RAG 增强对话 curl -X POST http://localhost:8080/api/agent/chat \ -H "Content-Type: application/json" \ -d '{"message":"CNC-001 轴承温度71°C是什么原因？"}'Agent 的推理链：
用户问题 → LLM判断 → searchKnowledgeBase("轴承温度高原因") → 向量检索 → Top-3 知识条目 → LLM 整合 → "轴承温度超过70°C应立即检查，常见原因包括..."下一步
RAG 的 MVP 搭建完成。后续我会深入：
混合检索（Dense + BM25 → RRF 融合）
Cross-Encoder 重排序
Query 改写（HyDE、Multi-Query）
检索质量评估（Hit Rate / MRR / NDCG）
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
