首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >别再只会向量检索了:用 Spring AI 搭一个能顺藤摸瓜的 Agentic GraphRAG

别再只会向量检索了:用 Spring AI 搭一个能顺藤摸瓜的 Agentic GraphRAG

原创
作者头像
HELLO程序员
发布于 2026-11-18 10:34:30
发布于 2026-11-18 10:34:30
170
举报

别再只会向量检索了:用 Spring AI 搭一个能顺藤摸瓜的 Agentic GraphRAG

提到 RAG,多数人脑子里立刻浮现一条固定流水线:切文档、算 embedding、塞进向量库、按相似度取 top-k。但 RAG 的本质只是"回答问题前先取上下文",向量检索从来不是唯一解。如果换一种思路——给模型一张实体关系图,让它自己顺着边去找答案,会怎样?

这就是 Agentic GraphRAG:模型不再做一次相似度检索就交卷,而是把图的查询能力包装成工具,按需多次调用,用上一次的结果决定下一步查什么。下面用 Spring AI 搭一个轻量实现,不引入 Neo4j,纯内存图,先把概念讲透。

RAG 的三段式,换个零件照样成立

无论向量还是图,RAG 都逃不开三件事:注入(把信息变成可检索形态)、检索(取回相关内容)、给上下文(把结果交给模型)。GraphRAG 只是把这三步的实现换了:

  • 注入:不是切块算向量,而是让 LLM 从文本里抽取实体关系
  • 检索:不是相似度搜索,而是沿关系边查询
  • 给上下文:把查询结果作为工具返回值塞回对话

注入:让模型自己抽关系

假设有一段桌游介绍,里面藏着两类关系:DESIGNED_BY(谁设计的)和 PUBLISHED_BY(谁发行的)。注意 Joseph Z. Chen 同时关联两款游戏——这种共享节点是图最有价值的地方,它让"看似无关的两个东西其实有关系"变得可查询。

先用几个简单的 Java 类型描述图:

代码语言:javascript
复制
public record Edge(String from, Relation relation, String to) {}
public enum Relation { DESIGNED_BY, PUBLISHED_BY }
public record KnowledgeGraph(List<Edge> edges) {
  public void addAll(List<Edge> es) { this.edges.addAll(es); }
}

抽取交给一个专门的 ChatClient。这里有个细节值得注意:不要用自动注入的 ChatClient.Builder——它可能已经挂了 MessageChatMemoryAdvisor 之类的 advisor,而抽取关系不需要这些历史上下文。从 ChatModel 现场 new 一个 builder,得到干净客户端:

代码语言:javascript
复制
this.chatClient = ChatClient.builder(chatModel)
    .defaultSystem("""
        Extract DESIGNED_BY and PUBLISHED_BY relationships from the given text.
        Only return facts supported by the text.
        """)
    .build();

public void addToKnowledgeGraph(String text) {
  var extracted = chatClient.prompt().user(u -> u.text("{text}").param("text", text))
      .call().entity(KnowledgeGraph.class);   // 结构化输出直接映射成对象
  knowledgeGraph.addAll(extracted.edges());
}

用 @Bean @Order(-1000) 的 ApplicationRunner 在启动时灌数据,-1000 保证图在对话循环启动前就建好。当然,抽取不可能百分百准确,生产环境还得加校验和去重,这里先保持简单。

检索:Stream API 就够了

内存图是 List,用 Java Stream 查边即可;换成 Neo4j 才需要 Cypher。三个查询方法覆盖常见问法:查某游戏的设计者、查发行方、查某设计师做过哪些游戏。

关键设计:返回 List 而不是单个 String——一款游戏可能有多个设计师(比如 Fantastic Factories 就有两位)。反向查询把过滤条件从 from 换成 to,就实现了"顺边反向找"。

给上下文:把查询方法暴露成工具

用户提问时,怎么知道该调哪个方法、传什么参数?交给模型判断——这正是 tool calling 的活。加注解即可:

代码语言:javascript
复制
@Tool(name = "find-game-designers", description = "Find the designers of a board game.")
public List<String> findGameDesigners(
    @ToolParam(description = "The title of the game") String gameTitle) { ... }

再用一个 ChatClientBuilderCustomizer 把它们注册给对话客户端:

代码语言:javascript
复制
@Bean
ChatClientBuilderCustomizer addGraphSearchTools(KnowledgeGraphService svc) {
  return builder -> builder.defaultTools(svc);
}

有个坑必须提醒:像 gpt-5-mini 这类模型本来就知道"Ticket to Ride 是谁设计的",它会直接凭记忆回答,跳过你的图。加一条系统指令强制它只用工具返回的信息作答,找不到就说不知道。不过系统提示只是影响行为,不保证百分百生效——日志里留痕,方便验证工具到底有没有被调用。

让模型"顺藤摸瓜"

简单的单跳问题看不出 GraphRAG 的价值。试试这个:

> Who designed Fantastic Factories and are there other games by the same designer?

日志里会出现一串调用:先查 Fantastic Factories 的设计者 → 得到 Joseph Z. Chen 和 Justin Faulkner → 再分别查这两人还设计过什么。最终答案里"Joseph 还设计过 Honeypot"这条,就是沿关系链走出来的——模型用上一次的结果决定下一次检索什么。这才是 Agentic 的含义。

收尾:把三个方法合成一个通用工具

三个查询方法绑死了桌游领域和预设问法。哪天加个 ILLUSTRATED_BY、EXPANSION_OF 关系,又得加方法。更好的做法是一个通用的 findRelationships(from, relation, to):

  • from 和 to 至少一个,支持正向、反向、双向三种查法
  • 关系类型用 Relation 枚举,Spring AI 生成的 tool schema 会带上枚举允许值,模型自己知道该传什么
  • 统一返回 List,零条、一条、多条都能装,还保留完整关系信息给模型当上下文

小结

GraphRAG 不等于"向量库 + Neo4j + 社区发现"的重型组合。它的核心只是:把关系当作可检索的上下文,把查询封成工具让模型按需调用。当你的数据天然是关系型的——知识图谱、组织架构、依赖关系——顺边查询往往比相似度检索更准,也更容易解释答案是怎么来的。先用一个内存图跑通概念,再决定要不要上真正的图数据库。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 别再只会向量检索了:用 Spring AI 搭一个能顺藤摸瓜的 Agentic GraphRAG
    • RAG 的三段式,换个零件照样成立
    • 注入:让模型自己抽关系
    • 检索:Stream API 就够了
    • 给上下文:把查询方法暴露成工具
    • 让模型"顺藤摸瓜"
    • 收尾:把三个方法合成一个通用工具
    • 小结
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档