检索增强器（Retrieval Augmentor）
RetrievalAugmentor 是 RAG（检索增强生成）流程的核心，它通过从不同的数据源中检索相关内容来增强用户的消息。
在创建 AI service 时，可以指定 RetrievalAugmentor 实例：
@Bean
public ChatAssistant assistant(ChatLanguageModel chatLanguageModel, EmbeddingStore<TextSegment> embeddingStore) {
DefaultRetrievalAugmentor retrievalAugmentor = DefaultRetrievalAugmentor.builder()
.queryTransformer() // 查询增强
.contentRetriever() // 内容源 单个直接配置
.queryRouter(new DefaultQueryRouter())// 多个内容源，路由
.contentAggregator() // 匹配结果聚合
.contentInjector() // 结果提示词注入
.executor() // 并行化
.build();
return AiServices.builder(ChatAssistant.class)
.chatLanguageModel(chatLanguageModel)
.chatMemory(MessageWindowChatMemory.withMaxMessages(10))
.retrievalAugmentor(retrievalAugmentor)
.build();
}每次调用 AI 服务时，都会自动使用这个增强器来处理当前的用户消息。你可以使用默认的增强器实现，也可以根据需求自定义。
默认检索增强器
LangChain4j 提供了开箱即用的 RetrievalAugmentor 实现：DefaultRetrievalAugmentor。它适用于大多数的 RAG 场景。这个实现的灵感来源于 LangChain 博客文章 和 相关论文。
查询（Query）
Query 代表用户的查询请求，包含查询的文本以及相关的元数据。
查询元数据
Query 中的 Metadata 包含在 RAG 流程中有用的上下文信息，例如：
Metadata.userMessage()：表示用户输入的原始消息。Metadata.chatMemoryId()：一个用于标识用户的ID，可以应用在数据访问限制或过滤上。Metadata.chatMemory()：之前的所有对话消息，用于理解查询的上下文。
查询转换器（Query Transformer）
QueryTransformer 用于将原始查询转换为一个或多个新的查询，以提高检索的准确性。常见的查询优化方式包括：
- 查询压缩：压缩冗长的对话，生成一个简明的查询。
- 查询扩展：将简单的查询扩展为多个相关的查询。
- 查询重写：对查询进行改写，使其更适合检索。
示例：
QueryTransformer transformer = new CompressingQueryTransformer();默认查询转换器
DefaultQueryTransformer 是最简单的实现，它直接传递原始查询而不进行任何修改。
压缩查询转换器
CompressingQueryTransformer 使用大语言模型（LLM）压缩查询和对话上下文，生成一个更简洁、独立的查询。例如：
用户：告诉我关于John Doe的信息。
AI：John Doe 是一个著名作家。
用户：他住在哪里？对于“他住在哪里？”这样的查询，CompressingQueryTransformer 会自动转换为“John Doe 住在哪里？”，以便更精准地检索信息。
扩展查询转换器
ExpandingQueryTransformer 可以将简单的查询扩展为多个不同的表达方式，从而提高相关内容的覆盖面。
内容（Content）
Content 代表系统从数据源中检索到的与查询相关的内容。目前支持的主要是文本内容（TextSegment），未来可能会扩展支持其他模态，如图像、音频、视频等。
内容检索器（Content Retriever）
ContentRetriever 根据用户的查询从底层数据源中获取内容，数据源可以是：
- 嵌入向量存储
- 全文搜索引擎
- 向量与全文检索结合
- 网络搜索引擎
- SQL数据库
- 知识图谱等
嵌入存储内容检索器
EmbeddingStoreContentRetriever 使用嵌入模型将查询转化为向量，并从嵌入存储中检索相关的内容。
示例代码：
EmbeddingStore embeddingStore = ...
EmbeddingModel embeddingModel = ...
ContentRetriever contentRetriever = EmbeddingStoreContentRetriever.builder()
.embeddingStore(embeddingStore)
.embeddingModel(embeddingModel)
.maxResults(3) // 返回最多3条结果
.dynamicMaxResults(query -> 3) // 根据查询动态指定maxResults
.minScore(0.75) // 过滤分数低于0.75的内容
.dynamicMinScore(query -> 0.75) // 根据查询动态指定minScore
.filter(metadataKey("userId").isEqualTo("12345")) // 过滤指定用户的内容
.dynamicFilter(query -> {
String userId = getUserId(query.metadata().chatMemoryId());
return metadataKey("userId").isEqualTo(userId); // 动态过滤
})
.build();网络搜索内容检索器
WebSearchContentRetriever 通过 WebSearchEngine 从互联网上检索相关内容。
示例代码：
WebSearchEngine googleSearchEngine = GoogleCustomWebSearchEngine.builder()
.apiKey(System.getenv("GOOGLE_API_KEY"))
.csi(System.getenv("GOOGLE_SEARCH_ENGINE_ID"))
.build();
ContentRetriever contentRetriever = WebSearchContentRetriever.builder()
.webSearchEngine(googleSearchEngine)
.maxResults(3)
.build();查看完整示例请参考这里。
SQL数据库内容检索器
SqlDatabaseContentRetriever 是用于从SQL数据库检索数据的实验性实现。更多信息可参考相关javadoc文档。
Azure AI 搜索内容检索器
AzureAiSearchContentRetriever 在 langchain4j-azure-ai-search 模块中可用。
Neo4j内容检索器
Neo4jContentRetriever 可用于从Neo4j数据库中检索与查询相关的内容。
查询路由器（Query Router）
QueryRouter 负责将查询分配到合适的内容检索器。
默认查询路由器
DefaultQueryRouter 将每个查询路由到所有配置的内容检索器。
语言模型查询路由器
LanguageModelQueryRouter 使用大语言模型（LLM）决定应该将查询发送到哪个检索器。
并行化处理
当只有一个查询和一个检索器时，DefaultRetrievalAugmentor 会在单线程中执行查询和检索。否则，它会使用 Executor 并行处理多个查询和检索任务。默认情况下，系统会使用一个修改后的 Executors.newCachedThreadPool() 来实现这一功能，你也可以提供自定义的 Executor：
DefaultRetrievalAugmentor augmentor = DefaultRetrievalAugmentor.builder()
.executor(executor)
.build();