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LLM集成接口的设计和实现工作,包括以下几个主要部分:
- 1. LLMClient接口设计
-
设计了统一的模型调用接口,支持同步和异步两种调用方式
-
实现了配置管理功能,支持动态更新模型配置
-
添加了完整的Java Doc文档
- 2. LLMConfig配置类实现
-
使用Builder模式实现了配置类
-
支持API密钥、模型名称、超时时间等关键配置
-
实现了请求限流和并发控制参数配置
- 3. OpenAIClient实现
-
封装了OpenAI Java SDK的调用
-
实现了请求重试和错误处理机制
-
添加了请求限流控制
-
实现了异步调用支持
- 4. 单元测试编写
-
为LLMClient接口编写了测试用例
-
测试了配置更新和异常处理场景
-
验证了限流机制的有效性
主要代码实现:
public interface LLMClient {
String complete(String prompt, Map<String, Object> options);
CompletableFuture<String> completeAsync(String prompt, Map<String, Object> options);
LLMConfig getConfig();
void updateConfig(LLMConfig config);
}
public class OpenAIClient implements LLMClient {
private LLMConfig config;
private final ExecutorService executorService;
private final RateLimiter rateLimiter;
public OpenAIClient(LLMConfig config) {
this.config = config;
this.executorService = Executors.newFixedThreadPool(config.getMaxConcurrentRequests());
this.rateLimiter = new RateLimiter(60, TimeUnit.MINUTES);
}
@Override
public String complete(String prompt, Map<String, Object> options) {
validateRequest(prompt);
try {
rateLimiter.acquire();
return executeRequest(prompt, options);
} catch (Exception e) {
handleException(e);
return null;
}
}
// ... 其他实现代码
}
一开始ai生成的代码有问题,使用了com.theokanning.openai-gpt3-java,但是不支持自定义apihost,因此替换成了chatgpt-java。
明日开发重点🎯
- 1. 开发Content Retriever模块
-
实现向量相似度检索
-
实现关键词检索
-
实现混合排序策略
- 2. 实现相似度检索功能
-
实现KNN搜索
-
优化检索性能
-
实现结果过滤
温馨提示:欢迎关注公众号【猿悟人生】获取最新开发进展

