基于LangChain4j调用火山引擎DeepSeek R1搭建RAG知识库实战指南

基于LangChain4j调用火山引擎DeepSeek R1搭建RAG知识库实战指南

RAG技术详解可参考：详解RAG技术：大模型时代让AI更懂你的智能知识引擎
RAG技术落地：核心痛点与应对策略全面解析: RAG技术落地：核心痛点与应对策略全面解析

一、注册火山引擎账号

访问地址：火山引擎官网访问 点击进入 注册账号，注册即享免费token调用额度

点击控制台：

创建在线推理API key

记住模型名称、地址，使用自己的key，后续代码要使用。

二、RAG技术核心原理

RAG通过以下流程增强大模型的生成能力：

1. 检索（Retrieval）：从向量数据库中检索与用户问题相关的文档片段。
2. 增强（Augmentation）：将检索结果作为上下文输入大模型。
3. 生成（Generation）：模型结合上下文生成最终答案。

优势：

• 数据安全性：知识库本地存储，无需上传至公网。
• 动态更新：可随时扩展知识库内容，无需重新训练模型。

三、环境与工具准备

1. 核心组件

2. 依赖配置（Maven）

<!-- LangChain4j 核心依赖 -->  
<dependency>  
    <groupId>dev.langchain4j</groupId>  
    <artifactId>langchain4j-core</artifactId>  
    <version>0.31.0</version>  
</dependency>  
<!-- 火山引擎DeepSeek集成 -->  
<dependency>  
    <groupId>dev.langchain4j</groupId>  
    <artifactId>langchain4j-openai</artifactId>  
    <version>0.31.0</version>  
</dependency>  
<!-- 文本嵌入模型（示例使用Ollama） -->  
<dependency>  
    <groupId>dev.langchain4j</groupId>  
    <artifactId>langchain4j-ollama</artifactId>  
    <version>0.31.0</version>  
</dependency>  

四、代码实现步骤

步骤1：初始化DeepSeek模型

配置火山引擎API密钥与模型参数：

String apiKey = "YOUR_VOLC_ENGINE_API_KEY";  
String modelName = "deepseek-r1-250120";  
String apiBaseUrl = "https://ark.cn-beijing.volces.com/api/v3/chat/completions";  

ChatLanguageModel chatModel = OpenAiChatModel.builder()  
        .apiKey(apiKey)  
        .modelName(modelName)  
        .baseUrl(apiBaseUrl)  
        .build();  

步骤2：构建本地知识库

文档加载与分块：

// 加载本地文档（示例为TXT文件）  
Path documentPath = Paths.get("src/main/resources/knowledge.txt");  
Document document = FileSystemDocumentLoader.loadDocument(documentPath);  

// 分块策略：每段500字符，重叠50字符  
DocumentSplitter splitter = DocumentSplitters.recursive(500, 50, new OpenAiTokenizer());  
List<TextSegment> segments = splitter.split(document);  

// 生成向量并存储  bge-m3的模型key也需要申请
EmbeddingModel embeddingModel = OpenAiEmbeddingModel.builder()
                .modelName("bge-m3")
                .apiKey("none")
                .baseUrl("url")
                .build();
EmbeddingStore<TextSegment> embeddingStore = new InMemoryEmbeddingStore<>();  
List<Embedding> embeddings = embeddingModel.embedAll(subList).content();
// 将嵌入结果存储到嵌入存储中
embeddingStore.addAll(embeddings, subList);

步骤3：执行RAG

String question = "如何配置火山引擎的DeepSeek模型？";  
Query userQuery = Query.from(question);

EmbeddingModel embeddingModel = OpenAiEmbeddingModel.builder()
                .modelName("bge-m3")
                .apiKey("none")
                .baseUrl("url")
                .build();
ChatLanguageModel openAiModel = OpenAiChatModel.builder()  
        .apiKey(apiKey)  
        .modelName(modelName)  
        .baseUrl(apiBaseUrl)  
        .build();  
ContentRetriever retriever = EmbeddingStoreContentRetriever.builder()
        .embeddingStore(embeddingStore)
        .embeddingModel(embeddingModel)
        .maxResults(5)
        .minScore(0.6)
        .build();

List<Content> contentList = new ArrayList<>();
contentList.addAll(retriever.retrieve(userQuery));

ContentInjector contentInjector = new DefaultContentInjector();

UserMessage promptMessage = contentInjector.inject(contentList, userMessage);
log.info("promptMessage: {}", promptMessage.singleText());

Response<AiMessage> generate = openAiModel.generate(promptMessage);
log.info("AI响应: {}", generate);

五、效果验证与优化

1. 测试示例

输入问题：

“DeepSeek R1支持哪些部署方式？”

输出结果：

“根据火山引擎文档，DeepSeek R1支持两种部署方式：1) 在火山引擎机器学习平台（veMLP）中自定义部署；2) 通过火山方舟API直接调用预训练模型，适用于快速集成场景。”

2. 性能优化建议

• 分块策略：根据文档类型调整分块大小（如技术文档建议chunk_size=800）。
• 混合检索：结合关键词检索（如Elasticsearch）与向量检索，提升召回率。

六、总结

本文通过 LangChain4j 与 火山引擎DeepSeek R1 实现了企业级RAG知识库的搭建。关键步骤包括：知识库向量化、检索链构建、模型集成。此方案既能保障数据隐私，又能动态扩展知识，适用于客服、内部知识问答等场景。

扩展方向：

• 接入企业数据库（如Doris）实现海量知识管理。
• 结合微调（Fine-tuning）进一步提升领域专业性。