langchain4j各模块核心 API 一览------RAG

核心组件	作用
DocumentLoader	负责读取本地或远程的文档（PDF、Word等）。
DocumentSplitter	负责将长文档切分成小段（Chunk）。
EmbeddingModel	负责将文本转化为数学向量。
EmbeddingStore	负责存储向量，并支持相似度检索（对接各类向量数据库）。
QueryTransformer	负责优化、改写或扩展用户的原始查询。
QueryRouter	负责将查询路由到最合适的知识库或检索器。
ContentRetriever	负责执行具体的检索逻辑，返回相关文本。
ContentAggregator	负责合并多路检索结果，并进行重排序（Re-ranking）。
ContentInjector	负责将检索到的上下文格式化并注入到最终的 Prompt 中。
RetrievalAugmentor	RAG 的总编排器，串联上述所有在线检索步骤。

LangChain4j 中，一个完整的 RAG 流程分为离线索引和在线检索两个阶段，由以下核心模块协同完成：

1. 离线索引流水线（准备知识库）

这个阶段主要负责把非结构化数据变成向量数据库里可检索的向量。

• 文档层 (Document)：负责加载各种格式的文件（如 PDF、Word、TXT、Markdown 等）。
• 文档分割器 (DocumentSplitter)：将长文档切分成适合大模型处理的文本块（Chunk）。支持递归字符分割、按 Token 分割等多种策略。
• 向量化与存储 (Embedding & Store)：使用 Embedding 模型将文本块转化为向量，并存入向量数据库（如 Milvus、Elasticsearch、Redis、Pinecone 等）。

2. 在线检索生成流水线（回答用户问题）

当用户提问时，系统会启动编排器（RetrievalAugmentor）来寻找答案，具体包含以下 5 个核心步骤：

• 问题改写 (QueryTransformer)：优化用户的原始提问。比如将口语化的问题改写为更适合检索的关键词，或者生成多个查询以扩大检索范围。
• 路由分发 (QueryRouter)：判断用户的问题应该去哪个知识库检索。例如，技术问题去技术文档库，业务问题去业务手册库。
• 内容检索 (ContentRetriever)：核心检索模块。将问题向量化后，去向量数据库中进行相似度搜索，找出 Top-K 个最相关的文本块。
• 结果聚合与重排 (ContentAggregator)：如果从多个数据源检索了结果，这个模块会将它们合并，并利用重排模型（如 BGE/Cohere Reranker）对结果进行二次打分和排序，把最相关的内容排在前面。
• 内容注入 (ContentInjector)：将最终筛选出的高质量文本块，自动拼接到给大模型的 Prompt（提示词）中，让大模型基于这些参考资料生成最终答案。