大家好,我是Aaron。当前在实践”辅助AI编程”,目前有个比较火的词语是”干中学”。因此,我希望能通过一步步完善项目,来掌握RAG相关知识。因此正在开发一个名为ragflow4j(https://github.com/aaronshan/ragflow4j) 的项目。为了方便记录,我会在每天结束时让AI总结今天的开发进展,同步到公众号。
欢迎大家关注我关注公众号,第一时间收到更新推送,一步一步一起开发RAG引擎。
项目简介 📖
ragflow4j(https://github.com/aaronshan/ragflow4j) 是一个开源的 RAG(检索增强生成)引擎。与 Dify、Ragflow 等不同,它是用 Java 开发的。市面上类似的产品大多使用 Python 开发。我希望通过这个项目能帮助以 Java 为主要开发语言的开发者更好地理解 RAG 的整体机制。
今日工作内容 ✨
今天主要完成了Document Embedding模块的设计和实现工作,具体包括:
- 1. Document Embedding接口设计
-
设计了向量化服务接口,定义核心方法
-
实现了模型加载机制,支持多种模型格式
-
设计了缓存策略,优化性能
-
添加了异步处理机制
- 2. 集成主流embedding模型
-
集成了ONNX框架,支持多种预训练模型
-
实现了模型推理封装,简化调用流程
-
添加了批处理优化,提高处理效率
-
实现了模型切换机制
- 3. 实现向量化服务
-
实现了异步处理队列,支持并发处理
-
添加了结果聚合功能,提高准确性
-
实现了性能监控指标,方便调优
-
添加了错误处理机制
- 4. 代码优化和规范
-
采用了Builder模式配置服务
-
实现了清晰的接口层次结构
-
添加了详细的代码注释
-
遵循Java 8编码规范
- 5. 核心代码实现展示
首先是EmbeddingModel接口的定义,这是整个向量化服务的核心接口:
public interface EmbeddingModel {
/**
* 将文本转换为向量表示
*
* @param text 需要向量化的文本
* @return 向量化结果,包含向量数据和元信息
*/
Response<Embedding> embed(String text);
/**
* 批量处理文本向量化
*
* @param texts 需要向量化的文本列表
* @return 批量向量化结果
*/
Response<List<Embedding>> embedBatch(List<String> texts);
/**
* 获取模型配置信息
*
* @return 当前模型配置
*/
ModelConfig getConfig();
}
接下来是ONNX模型实现的核心部分:
public class OnnxEmbeddingModel extends AbstractInProcessEmbeddingModel {
private final OnnxBertBiEncoder onnxBertBiEncoder;
/**
* 构造函数,初始化ONNX模型
*
* @param pathToModel 模型文件路径
* @param pathToTokenizer 分词器文件路径
* @param poolingMode 池化模式
*/
public OnnxEmbeddingModel(Path pathToModel, Path pathToTokenizer, PoolingMode poolingMode) {
super(null);
this.onnxBertBiEncoder = loadFromFileSystem(pathToModel, pathToTokenizer, poolingMode);
}
@Override
protected OnnxBertBiEncoder model() {
return onnxBertBiEncoder;
}
}
最后是向量化服务的工厂类实现:
public class EmbeddingFactory {
private static final Map<String, EmbeddingModel> modelCache = new ConcurrentHashMap<>();
/**
* 获取或创建向量化模型实例
*
* @param modelConfig 模型配置信息
* @return 向量化模型实例
*/
public static EmbeddingModel getModel(ModelConfig modelConfig) {
return modelCache.computeIfAbsent(modelConfig.getId(), id -> createModel(modelConfig));
}
private static EmbeddingModel createModel(ModelConfig modelConfig) {
switch (modelConfig.getType()) {
case ONNX:
return new OnnxEmbeddingModel(
modelConfig.getModelPath(),
modelConfig.getTokenizerPath(),
modelConfig.getPoolingMode()
);
// 支持更多模型类型...
default:
throw new UnsupportedOperationException("不支持的模型类型");
}
}
}
⭐️Tips⭐️:今天的代码AI完成度很小,估计占比约15%左右,大部分是人工补充,这和前几天的情况区别很大。应该是claude训练用的代码中涉及这部分的内容很少导致。而目前AI编程工具在直接参考外部仓库源码上做的也还不够细致,后续应该是一个需要重点迭代的功能点。
明日开发重点🎯
- 1. Vector Store接口设计
-
设计Milvus访问层接口
-
实现向量索引管理
-
实现批量导入优化
- 2. 集成Milvus向量数据库
-
配置Milvus连接池
-
实现CRUD操作封装
-
实现向量检索接口
- 3. 实现向量存储服务
-
实现数据分片策略
-
实现缓存机制
-
实现异步处理
温馨提示:欢迎关注公众号【猿悟人生】获取最新开发进展

