Albert's Stack

2. 项目初始化

4 min

理解了 RAG 的核心概念和工作流程后，现在动手创建项目，把基础环境搭建起来。

1. 创建项目

打开 start.spring.io，按以下配置创建项目：

  • Project：Maven
  • Language：Java
  • Spring Boot：4.x
  • Group：com.albertstack
  • Artifact：rag-demo
  • Package name：com.albertstack.rag
  • Packaging：Jar
  • Configuration：YAML
  • Java：25
  • Dependencies：Spring Reactive Web、Lombok

点击 Generate 下载压缩包并解压。

2. 添加 Spring AI 依赖

Spring Initializr 目前还没有直接提供 Spring AI 的 RAG 相关依赖选项，需要手动添加。打开 pom.xml，在 <dependencies> 中添加以下两项：

xml
<!-- Spring AI Ollama：提供 ChatModel 和 EmbeddingModel -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-model-ollama</artifactId>
</dependency>

<!-- Spring AI 向量存储 Advisor：提供 QuestionAnswerAdvisor + SimpleVectorStore -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-advisors-vector-store</artifactId>
</dependency>

依赖说明：

  • spring-ai-starter-model-ollama：自动配置 Ollama 连接，注册 OllamaChatModel（实现 ChatModel）和 OllamaEmbeddingModel（实现 EmbeddingModel）两个 Bean
  • spring-ai-advisors-vector-store：提供 QuestionAnswerAdvisor（RAG 的核心 Advisor）和 SimpleVectorStore（内存向量存储），后续构建 RAG 管道时会用到

接下来添加 Spring AI BOM 进行版本管理。在 pom.xml 的 <dependencyManagement> 中添加：

xml
<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-bom</artifactId>
            <version>2.0.0-M3</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

3. 配置 Ollama

打开 src/main/resources/application.yaml，写入以下配置：

yaml
spring:
  application:
    name: rag-demo

  ai:
    ollama:
      base-url: http://localhost:11434
      # 启动时自动拉取缺失的模型
      init:
        pull-model-strategy: when_missing
      chat:
        model: qwen3.5:9b
      embedding:
        model: qwen3-embedding:8b

server:
  port: 8080

配置说明：

  • base-url：Ollama 服务地址，本地默认是 http://localhost:11434
  • pull-model-strategy: when_missing：应用启动时，如果本地没有配置的模型，Spring AI 会自动调用 Ollama 拉取，省去手动操作
  • chat.model：对话模型，这里使用 qwen3.5:9b
  • embedding.model：嵌入模型，使用 qwen3-embedding:8b。它与 qwen3.5 同属 Qwen 系列，中文语义理解优秀，输出 4096 维向量，最大支持 32K token 上下文

4. 拉取 Embedding 模型

虽然我们配置了 pull-model-strategy: when_missing 自动拉取，但建议先手动拉取一次，确认模型可用：

bash
ollama pull qwen3-embedding:8b

拉取完成后，确认两个模型都已就绪：

albert@dev: ~

5. 编写配置类

和 Spring AI 专栏一样，我们需要手动把 ChatClient 注册为 Bean。

src/main/java/com/albertstack/rag/config/AiConfig.java

java
package com.albertstack.rag.config;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class AiConfig {

    @Bean
    public ChatClient chatClient(ChatClient.Builder builder) {
        return builder.build();
    }
}

6. 验证基础通信

环境配置好了，写个测试确认 Spring AI 能正常连接 Ollama。

6.1 测试 ChatClient

src/test/java/com/albertstack/rag/AiConnectionTest.java

java
package com.albertstack.rag;

import lombok.extern.slf4j.Slf4j;
import org.junit.jupiter.api.Test;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.embedding.EmbeddingModel;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;

import static org.assertj.core.api.Assertions.assertThat;

@Slf4j
@SpringBootTest
class AiConnectionTest {

    @Autowired
    ChatClient chatClient;

    @Autowired
    EmbeddingModel embeddingModel;

    @Test
    void chatClientShouldRespond() {
        // 发送简单问题，验证模型能正常回复
        String response = chatClient.prompt()
                .user("用一句话介绍 Spring Boot")
                .call()
                .content();

        log.info("模型回复: {}", response);
        assertThat(response).isNotBlank();
    }

    @Test
    void embeddingModelShouldWork() {
        // 嵌入一段文本，验证 EmbeddingModel 正常工作
        float[] vector = embeddingModel.embed("Spring AI 是 Spring 官方的 AI 集成框架");

        log.info("向量维度: {}", vector.length);
        log.info("前 5 个分量: ");
        for (int i = 0; i < Math.min(5, vector.length); i++) {
            log.info("  [{}] = {}", i, String.format("%.6f", vector[i]));
        }

        // qwen3-embedding:8b 输出 4096 维向量
        assertThat(vector.length).isGreaterThan(0);
        assertThat(vector).isNotEmpty();
    }
}

如果两个测试都通过，说明：

  • ChatClient：能正常连接 Ollama 并获取对话模型的回复
  • EmbeddingModel：能正常调用 Embedding 模型将文本转换为向量

7. 项目结构

到目前为止，项目结构如下：

text
rag-demo/
├── pom.xml
├── src/main/java/com/albertstack/rag/
│   ├── RagDemoApplication.java
│   └── config/
│       └── AiConfig.java
├── src/main/resources/
│   └── application.yaml
└── src/test/java/com/albertstack/rag/
    └── AiConnectionTest.java

8. 本章小结

本章完成了 RAG 项目的初始化，配置了 Ollama 连接并通过测试验证了基础通信。

知识点 说明
Spring Boot 4 + Spring AI 使用 Spring Initializr 创建项目，引入 Ollama starter 依赖
Ollama 模型配置 对话模型（qwen3.5:9b）和嵌入模型（qwen3-embedding:8b）的 YAML 配置
AiConfig 配置类 Spring AI 只提供 ChatClient.Builder，需手动注册 ChatClient Bean
基础通信验证 通过测试确认 ChatClient 和 EmbeddingModel 都能正常连接 Ollama

下一章我们进入 Embedding 和向量存储，理解 RAG 系统的数据基础。