10 rag advisor

// 核心处理流程 - 在LLM处理前增强用户查询
@Override
public ChatClientRequest before(ChatClientRequest chatClientRequest,
                                @Nullable AdvisorChain advisorChain) {
    // 创建原始查询对象
    Query originalQuery = Query.builder()
            .text(chatClientRequest.prompt().getUserMessage().getText()) // 用户消息文本
            .history(chatClientRequest.prompt().getInstructions())      // 对话历史
            .context(new HashMap<>(chatClientRequest.context()))        // 上下文
            .build();

    // 应用查询转换链
    Query transformedQuery = originalQuery;
    for (var queryTransformer : this.queryTransformers) {
        transformedQuery = queryTransformer.apply(transformedQuery);
    }

    // 扩展查询
    List<Query> expandedQueries = this.queryExpander != null ?
            this.queryExpander.expand(transformedQuery) :
            List.of(transformedQuery);

    // 并行执行向量检索
    // 1. 创建所有异步任务
    List<CompletableFuture<Map.Entry<Query, List<Document>>>> futures = expandedQueries.stream()
            .map(query -> CompletableFuture.supplyAsync(
                    () -> Map.entry(query, getDocumentsForQuery(query)),
                    this.taskExecutor))
            .collect(Collectors.toList());

    // 2. 等待所有任务完成（并行执行）
    CompletableFuture.allOf(futures.toArray(new CompletableFuture[0])).join();

    // 3. 收集所有结果
    Map<Query, List<Document>> documentsForQuery = futures.stream()
            .map(CompletableFuture::join)
            .collect(Collectors.toMap(Map.Entry::getKey, Map.Entry::getValue));

    // 合并文档结果
    List<Document> documents = this.documentJoiner.join(documentsForQuery);

    // 文档后处理
    for (var documentPostProcessor : this.documentPostProcessors) {
        documents = documentPostProcessor.process(originalQuery, documents);
    }

    // 保存文档到上下文
    Map<String, Object> context = new HashMap<>();
    context.put(DOCUMENT_CONTEXT, documents);

    // 增强原始查询
    Query augmentedQuery = this.queryAugmenter.augment(originalQuery, documents);

    // 构建增强后的请求
    return chatClientRequest.mutate()
            .prompt(chatClientRequest.prompt().augmentUserMessage(augmentedQuery.text()))
            .context(context)
            .build();
}

@GetMapping("/simple/base/chat")
public String simpleBaseChat(@RequestParam String userMessage) {
    // 创建向量存储检索器
    DocumentRetriever retriever = VectorStoreDocumentRetriever.builder()
            .vectorStore(vectorStore) // 初始化好的向量存储
            .build();

    // 构建RAG增强器
    RetrievalAugmentationAdvisor ragAdvisor = RetrievalAugmentationAdvisor.builder()
            .documentRetriever(retriever) // 设置文档检索器
            .build();

    // 执行增强查询
    return chatClient.prompt()
            .advisors(ragAdvisor)   // 添加RAG增强器
            .user(userMessage)      // 用户原始消息
            .call()                 // 调用大模型
            .content();             // 获取响应内容
}

@GetMapping("/simple/filter/chat")
public String simpleFilterChat(@RequestParam String userMessage) {
    // 创建过滤表达式元数据
    Map<String, Object> metadata = Map.of(
            VectorStoreDocumentRetriever.FILTER_EXPRESSION,
            "author == '蒲松龄' && year > 1700"
    );

    // 执行带过滤的查询
    return chatClient.prompt()
            .params(metadata)       // 设置元数据过滤条件
            .user(userMessage)      // 用户消息
            .call()                 // 调用大模型
            .content();             // 获取响应
}

@GetMapping("/simple/compression/chat")
public void compressionChat() {
    // 创建查询压缩转换器
    CompressionQueryTransformer compressor = CompressionQueryTransformer.builder()
            .chatClientBuilder(chatClient.mutate()) // 复用ChatClient配置
            .build();

    // 构建RAG增强器
    RetrievalAugmentationAdvisor ragAdvisor = RetrievalAugmentationAdvisor.builder()
            .queryTransformers(compressor) // 添加查询压缩器
            .documentRetriever(VectorStoreDocumentRetriever.builder()
                    .vectorStore(vectorStore)
                    .build())
            .build();

    String conversationId = "user-123";

    // 第一轮对话
    ChatResponse response1 = chatClient.prompt()
            .user("蒲松龄的小说是哪个")             // 初始查询
            .param(ChatMemory.CONVERSATION_ID, conversationId) // 设置会话ID
            .advisors(ragAdvisor)                // 添加RAG增强
            .call().chatResponse();

    // 第二轮对话（基于上下文）
    ChatResponse response2 = chatClient.prompt()
            .user("它讲了什么")                  // 后续查询
            .param(ChatMemory.CONVERSATION_ID, conversationId) // 相同会话ID
            .advisors(ragAdvisor)                // 添加RAG增强
            .call().chatResponse();
}

@GetMapping("/simple/rewrite/chat")
public String rewriteChat(@RequestParam String userMessage) {
    // 创建查询重写器
    RewriteQueryTransformer rewriter = RewriteQueryTransformer.builder()
            .chatClientBuilder(chatClient.mutate()) // 复用ChatClient
            .build();

    // 测试查询重写
    Query original = new Query("AI框架怎么用？");
    Query rewritten = rewriter.apply(original);
    System.out.println("重写结果: " + rewritten.text());

    // 构建RAG增强器
    RetrievalAugmentationAdvisor ragAdvisor = RetrievalAugmentationAdvisor.builder()
            .queryTransformers(rewriter) // 添加重写器
            .documentRetriever(VectorStoreDocumentRetriever.builder()
                    .vectorStore(vectorStore)
                    .build())
            .build();

    // 执行增强查询
    return chatClient.prompt()
            .user(userMessage)
            .advisors(ragAdvisor)
            .call()
            .content();
}

@GetMapping("/simple/translation/chat")
public String translationChat(@RequestParam String userMessage) {
    // 创建翻译转换器（中文->英文）
    TranslationQueryTransformer translator = TranslationQueryTransformer.builder()
            .chatClientBuilder(chatClient.mutate())
            .targetLanguage("english") // 目标语言
            .build();

    // 测试翻译功能
    Query testQuery = new Query(userMessage);
    Query translated = translator.apply(testQuery);
    System.out.println("翻译结果: " + translated.text());

    // 构建RAG增强器
    RetrievalAugmentationAdvisor ragAdvisor = RetrievalAugmentationAdvisor.builder()
            .queryTransformers(translator) // 添加翻译器
            .documentRetriever(VectorStoreDocumentRetriever.builder()
                    .vectorStore(vectorStore)
                    .build())
            .build();

    // 执行跨语言检索
    return chatClient.prompt()
            .system("请用英文回答") // 系统指令
            .user(userMessage)
            .advisors(ragAdvisor)
            .call()
            .content();
}