不懂 Python？没关系！Easy RAG 让 Java 开发者也能玩转大模型

大家好，我是小米，一个 31 岁还在写代码的技术分享狂热爱好者！

说来惭愧，我在大模型的风口刮到我脸上的时候还在鼓捣传统 Java 开发，直到今年初，公司要搞一个“AI 助理”小项目，领导一句“用 Java 写个能问文档的助手”，把我瞬间打回现实。

Java 能搞 RAG 吗？能！而且现在更简单了，因为——LangChain4j 推出了 Easy RAG 功能！

今天，我就给大家讲讲我从懵逼小白，到用 Easy RAG 快速搭建起一个能读 PDF 问问题的系统的全过程，真的超级简单，适合所有想快速上手 RAG 的 Java 同学！

RAG 是什么？为什么我突然开始搞它？

先给没接触过的朋友简单科普一下：

RAG（Retrieval-Augmented Generation，检索增强生成） 是一种将外部知识库与大语言模型结合的方式，让模型在生成答案时，能够参考你自己的数据，比如 PDF 文档、数据库、网页等等。

它有两个关键步骤：

• 检索（Retrieval）： 给用户输入找相关文档片段；
• 生成（Generation）： 把这些片段喂给大模型，让它写出更准确的回答。

想象一下，你丢给 ChatGPT 一本 200 页的公司员工手册，然后问它：“试用期考核不合格怎么办？”

如果没有 RAG，它只能瞎猜；但如果你接入了这本手册做知识库，结果就是：

“根据公司员工手册第 3 章第 4 节规定，试用期员工考核不合格，公司有权提前 3 天通知解除劳动合同。”

是不是香爆了？这就是 RAG 的魅力！

为什么我选 LangChain4j，而不是 LangChain（Python 版）？

大家都知道 LangChain 在 Python 圈非常火，它把 RAG 做成了一套很强的链式调用框架，但我 Java 选手总不能天天写 Python 吧

后来我在 GitHub 上发现了 LangChain4