Erupt AI RAG 知识库 v2.1.0+
erupt-ai-rag 是 erupt-ai 的知识库扩展模块，将业务文档转化为 AI 可检索的知识：上传文档 → 自动分块 → 向量嵌入 → 语义检索，全流程可视化管理。 AI 在对话中会自主决定何时查询哪个知识库（Agentic RAG），无需手动挂载。
使用方法
- 添加依赖（需配合 erupt-ai 使用）：
xml
<dependency>
<groupId>xyz.erupt</groupId>
<artifactId>erupt-ai-rag</artifactId>
<version>${erupt.version}</version>
</dependency>- 启动后新增 知识库 菜单组（嵌入模型菜单由 erupt-ai 提供，位于 AI Manager 菜单组下）。
嵌入模型
进入 AI → 嵌入模型，配置向量化所用的 Embedding 模型，内置 12 种提供商：
| 提供商 | 说明 |
|---|---|
| OpenAI Compatible | 兼容 OpenAI Embedding 接口的任意服务 |
| Ollama | 本地部署的开源嵌入模型 |
| Gemini | Google Gemini Embedding |
| Qwen | 阿里云通义千问 |
| GLM | 智谱 AI |
| SiliconFlow | 硅基流动 |
| Doubao | 字节豆包（火山引擎） |
| Cohere | Cohere Embed |
| Voyage | Voyage AI |
| Jina | Jina Embeddings |
| Mistral | Mistral |
| OpenRouter | OpenRouter 聚合平台 |
⚠️ 向量维度（dimension）在首次嵌入后不可修改；更换知识库的嵌入模型后需重新嵌入全部文档。
向量存储
向量存储属于部署基础设施，通过配置文件指定（不配置则自动选择：classpath 中唯一可用的持久化实现，否则使用内存存储）：
yaml
erupt:
ai:
rag:
vector-store:
type: PGVECTOR # 可选：QDRANT / MILVUS / PGVECTOR / REDIS / MEMORY
uri: postgresql://user:password@host:5432/db
api-key: # 可选，鉴权密钥| 类型 | uri 格式 |
|---|---|
| QDRANT | host:6334（gRPC，TLS 用 https:// 前缀） |
| MILVUS | http://host:19530 |
| PGVECTOR | postgresql://user:password@host:5432/db（留空则复用应用数据源） |
| REDIS | host:6379（TLS 用 rediss:// 前缀，留空为 localhost） |
| MEMORY | 无需配置，适合开发调试 |
知识库与文档
进入 AI → 知识库 创建知识库，选择嵌入模型并配置检索参数：
| 参数 | 默认值 | 说明 |
|---|---|---|
| 分块大小（chunkSize） | 500 | 每个分块的最大字符数 |
| 分块重叠（chunkOverlap） | 50 | 相邻分块共享的字符数 |
| Top K | 5 | 每次检索返回的分块数 |
| 最低分数（minScore） | 0.5 | 相似度阈值（0~1），低于该分数的结果被丢弃 |
💡 备注字段会被 AI 读取，用于判断哪个知识库适合回答当前问题——请清晰描述知识库的内容范围。
在知识库下上传文档（支持 txt / md / markdown，也可直接粘贴文本内容），系统自动完成分块与向量嵌入， 状态流转：待嵌入 → 嵌入中 → 就绪（失败时展示错误信息，可重新嵌入）。
行操作中的 检索测试 提供可视化界面，输入问题即可验证召回效果与相似度分数。
Agentic RAG
知识库检索以 AI Tool 形式暴露（listKnowledgeBases / searchKnowledgeBase），AI 在对话中自主决定： 先列出可用知识库，再对合适的知识库发起语义检索，并优先采用召回内容作答。 该工具同样受角色级 Tool 授权管控，可精细控制哪些角色允许检索哪些知识。
贡献者
YuePeng
Claude Fable 5.1