检索增强生成（Retrieval-Augmented Generation，RAG）框架通过融合从大型文档语料库中检索到的关键信息，显著提升了生成语言模型的能力。这种策略不仅增强了生成回答的准确性，还提高了其相关性。在本文中，我们将探讨如何在Langchain4j环境下有效利用RAG技术。
RAG的重要性
RAG技术通过将外部信息无缝融入生成流程，极大地提升了生成模型的效能。与传统方法不同，RAG不完全依赖于语言模型的预训练知识库，而是能够动态地从广泛的文档语料库中检索出相关信息，从而确保生成的回答不仅准确，还富含上下文信息。
RAG不仅有效降低了模型产生幻觉的风险，还能够将模型原始训练数据中可能未涵盖的最新特定领域知识融入模型输出。通过缩小模型内静态知识与动态实时信息之间的鸿沟，RAG显著提升了生成响应的质量和可靠性，使其在那些对精确性和上下文敏感度要求极高的应用场景中显得尤为宝贵。
使用Langchain4j和Ollama3搭建的RAG系统中的关键组件
为了在Langchain4j和Ollama3框架下实现RAG，本文将关注以下几个核心组件：
1.EmbeddingStore：负责管理从文档中提取的嵌入向量。
2.EmbeddingStoreIngestor：负责将文档录入系统并生成相应的嵌入向量。
3.OllamaEmbeddingModel：用于从文本数据中生成嵌入词，为检索提供支持。
4.OllamaLanguageModel：利用检索到的数据生成精确且上下文相关的响应。
分步示例
首先，请确保你的Ollama3引擎已启动并正在运行。下面的文章将详细介绍这一过程： Getting started with langchain4j and Llama Model。
然后，在代码中添加以下依赖项：
<dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j-ollama</artifactId> <version>0.33.0</version> </dependency>接下来，假设我们的目标是向文本文件中添加新内容，具体来说，是定义一种适合出现在史诗奇幻作品《指环王》中的新异兽。
The Shadowmire is a mysterious and ancient creature that dwells in the darkest, most secluded swamps of Middle-earth.
It has the body of a large, sleek panther, but its fur is a deep, iridescent black that seems to absorb light.
Its eyes are a piercing emerald green, glowing with an eerie luminescence that can be seen from afar.
请将该文本文件保存在Maven项目资源目录下（或类路径中的任何位置），例如命名为dictionary.txt。
随后，我们开始编写代码，以便将这些信息集成到OllamaLanguageModel中。接下来，我们将构建一个提示，利用文本文件中的数据来查询模型。
import dev.langchain4j.data.document.Document; import dev.langchain4j.data.document.DocumentSplitter; import dev.langchain4j.data.document.loader.FileSystemDocumentLoader; import dev.langchain4j.data.document.parser.TextDocumentParser; import dev.langchain4j.data.document.splitter.DocumentSplitters; import dev.langchain4j.data.embedding.Embedding; import dev.langchain4j.data.segment.TextSegment; import dev.langchain4j.model.embedding.EmbeddingModel; import dev.langchain4j.model.input.Prompt; import dev.langchain4j.model.input.PromptTemplate; import dev.langchain4j.model.ollama.OllamaEmbeddingModel; import dev.langchain4j.model.ollama.OllamaLanguageModel; import dev.langchain4j.store.embedding.EmbeddingMatch; import dev.langchain4j.store.embedding.EmbeddingStore; import dev.langchain4j.store.embedding.EmbeddingStoreIngestor; import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore; import java.net.URL; import java.nio.file.Path; import java.nio.file.Paths; import java.time.Duration; import java.util.List; import java.util.Map; public class RAGIngestor { private static Duration timeout = Duration.ofSeconds(900); public static void main(String args[]) throws Exception { EmbeddingModel embeddingModel = OllamaEmbeddingModel.builder() .baseUrl("http://localhost:11434") .modelName("llama3") .build(); EmbeddingStore embeddingStore = new InMemoryEmbeddingStore(); URL fileUrl = RAGIngestor.class.getResource("/dictionary.txt"); Path path = Paths.get(fileUrl.toURI()); Document document = FileSystemDocumentLoader.loadDocument(path, new TextDocumentParser()); DocumentSplitter splitter = DocumentSplitters.recursive(600, 0); EmbeddingStoreIngestor ingestor = EmbeddingStoreIngestor.builder() .documentSplitter(splitter) .embeddingModel(embeddingModel) .embeddingStore(embeddingStore) .build(); ingestor.ingest(document); Embedding queryEmbedding = embeddingModel.embed("What is the Shadowmire ?").content(); List<EmbeddingMatch<TextSegment>> relevant = embeddingStore.findRelevant(queryEmbedding, 1); EmbeddingMatch<TextSegment> embeddingMatch = relevant.get(0); String information = embeddingMatch.embedded().text(); Prompt prompt = PromptTemplate.from(""" Tell me about {{name}}? Use the following information to answer the question: {{information}} """).apply(Map.of("name", "Shadowmire","information", information)); // Initialize the language model for generating the response OllamaLanguageModel model = OllamaLanguageModel.builder() .baseUrl("http://localhost:11434") .modelName("llama3") .timeout(timeout) .build(); String answer = model.generate(prompt).content(); System.out.println("Answer:"+answer); } }代码说明：
1.初始化嵌入模型：我们利用OllamaEmbeddingModel创建了一个与Ollama3服务相连的嵌入模型实例。
2.初始化嵌入存储：设置一个内存中的嵌入存储空间，用于存储文档的嵌入向量。
3.加载和解析文档：从文件系统加载文档，并将其解析成可处理的文本段。
4.分割文档：使用递归分割器将文档分解成更小的、易于管理的部分。
5.输入文档：为文档的每个片段生成嵌入向量，并将其存储在嵌入存储区。
6.创建查询嵌入：针对用户的查询内容，生成相应的嵌入向量。
7.检索相关信息：在嵌入存储中执行相似性搜索，以找到与查询嵌入向量相匹配的相关文本片段。
8.准备提示：结合检索到的信息和预设模板，构建一个完整的提示。
9.初始化语言模型：使用OllamaLanguageModel初始化一个生成模型，准备生成响应。
10.生成回复：根据准备好的提示，利用语言模型生成最终的响应内容。
执行上述代码后，系统经过几分钟的处理，该提示将返回生成的响应：
结论
通过融合检索式模型和生成式模型的优势，RAG结合Langchain4j和Ollama3提供了一种强有力的方法，以增强自然语言处理任务的准确性和相关性。本教程概述了实现RAG的基本框架，该框架可以根据特定的用例和数据集进行进一步的定制和扩展。
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！2025 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👇👇
2025 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”！
