登录社区云，与社区用户共同成长
邀请您加入社区
通过 SAP HANA Cloud 向量数据库和 Spring AI 框架，我们可以高效构建企业级的 RAG 问答系统，实现智能、准确的知识服务。无论是文档检索、智能问答还是行业知识管理，RAG 技术都将成为未来 AI 应用的核心组成部分。如果你想动手体验，只需用本文代码，上传 Wikipedia 的 Cricket World Cup PDF，即可实现智能问答！
本文介绍Spring AI框架，它为Spring开发者提供统一API抽象，让AI集成变得简单。文章详解其核心概念（模型抽象、提示模板等），并通过代码示例展示基础应用、流式响应、RAG实现和模型路由等功能，同时提供企业级应用的最佳实践与常见陷阱解决方案。
本文介绍了RAG（检索增强生成）技术，它通过外部知识库动态补充信息，提升大语言模型回答的准确性和时效性。文章详细讲解了使用Spring AI框架实现基于本地知识库的AI问答系统，包括环境准备、依赖引入、文档处理、向量转换存储、查询增强等关键步骤。通过具体的代码示例，展示了如何构建和测试一个能够基于特定文档回答问题的AI助手系统，有效解决了传统LLM可能产生的"幻觉"或过时回答问题。
Spring AI 驱动的企业级 RAG 系统：从技术原理到落地实践，一文看懂！
本文提出了一种将Word试卷中的数学公式转换为LaTeX格式并保持位置准确性的解决方案。通过POI读取Word文件，遍历XWPFParagraph段落获取XML文本，使用DOM解析器定位oMath节点，将数学公式转换为LaTeX格式后替换原节点内容，最后重新生成Word文档。该方法解决了公式转换过程中出现的顺序错乱问题，实现了试卷内容从非结构化到结构化的转换。文中详细介绍了处理流程，包括XML解析
文章介绍了一个金融领域大模型应用系统架构，针对传统大模型在金融分析中的局限性，提出了四层系统设计：数据解析层处理多模态数据；知识检索层结合传统检索、Vanilla RAG和GraphRAG；传统模型集群提供可解释的基础判断；基于大模型的多智能体层进行规划分析和报告生成。该系统平衡了大模型的智能分析与传统模型的精确计算，实现了从原始数据到业务洞察的闭环，为新老企业分析提供了有效解决方案。
文章详解了提升大语言模型性能的两种关键技术：RAG(检索增强生成)和微调。RAG通过外部知识库检索增强回答准确性和时效性，微调则通过特定数据集训练使模型更适合特定任务。文章从处理速度、准确性和成本三方面对比了两种技术的差异，指出选择哪种技术应基于具体应用场景和需求，没有绝对正确的选择，只有最适合的解决方案。
一篇关于如何快速上手RAG的文章
在 2025 年的秋招战场上，单纯背诵面试题已无法应对面试官的深度考察。唯有将技术知识转化为系统思维，将解题能力升华为决策哲学，才能在面试中脱颖而出。立即扫码领取《2025 Java 秋招面试题全集》，开启你的大厂 Offer 之路！限时福利有需要的，查看下方名片获取~
语义缓存，文件缓存，查询结果缓存，中间过程缓存；AP计算中的缓存是一个非常大的话题，基于不同的需求，查询特征，有很多设计的余地在里面，这篇文章基于对于对象存储支持谓词下推能力的观察，设计了一套对应的缓存系统，以跨多个查询缓存和重用计算结果。
RAG，全称为Retrieval Augmented Generation，即检索增强生成。它是一种将外部知识检索与大型语言模型的生成能力相结合的人工智能技术框架。其核心思想是在大型语言模型（LLM）处理用户查询并生成回答之前，首先从一个或多个外部知识源（如数据库、文档集合、API等）中检索与查询相关的、最新的信息片段。然后，这些检索到的信息将作为额外的上下文（Context）注入到LLM的提示（
