用火山引擎豆包大模型搭建企业知识库的核心是将非结构化文档向量化并存入检索系统，否则问答易产生幻觉；需配置api密钥、endpoint、embedding模型名（doubao-embedding-v1），经ocr解析、语义分块、向量生成与opensearch索引后，通过混合检索实现rag问答。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
用火山引擎豆包大模型搭建企业知识库，核心是把非结构化文档转化为向量并存入检索系统，让问答时能精准召回上下文。这一步跳过就只能靠模型“凭空编”，幻觉率直线上升。
准备豆包模型接入凭证
登录火山引擎方舟控制台（https://console.volcengine.com/ark），进入「API Key 管理」→「创建 API Key」→ 复制生成的 【Access Key ID 和 Secret Access Key】。这两个密钥后续必须填进 Spring Boot 配置文件，缺一不可，且不能在代码中硬编码。
在「模型推理」→「创建推理接入点」中，选择 Doubao-pro-32k 或 Doubao-seed-1.6 模型，记录下 Endpoint 地址。注意：Endpoint 中的 host 必须带协议（如 https://）和路径（如 /api/v3），漏掉 /api/v3 会导致 404 错误。
配置 Spring AI 依赖与向量化服务
在 pom.xml 中引入 spring-ai-doubao-spring-boot-starter 1.1.2 版本，并显式排除旧版 okhttp，改用 4.12.0；同时添加 fastjson2 2.0.52 支持中文解析——【若不升级 fastjson2，API Key 含中文字符时会触发空指针异常】。
新建 application.yml，填入：doubao.api-key、doubao.secret-key、doubao.endpoint，并设置 embedding-model-name: doubao-embedding-v1。这个 embedding 模型名必须一字不差，写成 doubao-embedding 或 doubao-embed-v1 全部报 404。
启动项目后，调用 EmbeddingClient.embed("测试文本")，观察日志是否返回长度为 1024 的浮点数组。如果返回 null 或报错，说明凭证或模型名有误，不要继续往下走。
构建向量索引并注入文档
第一步：用 TextIn OCR 解析 PDF/PPT/Word 原始文件，输出结构化 Markdown，避免直接喂扫描件给向量模型——原始图像文本识别错误率高，会污染整个向量空间。
第二步：将 Markdown 文本按语义切片（推荐使用 RecursiveCharacterTextSplitter，chunk-size=512，overlap=64）。切太碎丢失上下文，切太长导致召回粒度粗糙。
第三步：调用 Spring AI 的 EmbeddingClient 批量生成向量，每 100 条 batch 提交一次到 OpenSearch；索引 mapping 中必须定义 dense_vector 类型字段，维度设为 1024，similarity 设为 dot_product。
第四步：验证插入结果，在 OpenSearch Dev Tools 中执行 GET /kb-index/_search?size=1，确认返回文档含 vector 字段且长度为 1024。没这个字段说明向量化链路中断，常见于 embedding model name 拼写错误或网络超时未重试。
启用混合检索与 RAG 问答
方法一：在 OpenSearch 查询 DSL 中组合 text query + knn query，用 hybrid search 实现关键词+语义双路召回。text query 负责匹配术语和编号，knn query 负责理解用户口语化提问。
方法二：用 Dify 工作流编排，先走 TextIn 解析 → 再调豆包 embedding → 写入 OpenSearch → 用户提问时同步触发 text + vector 双路召回 → 将 Top3 文档拼接为 context 输入豆包大模型生成答案。Dify 自动处理 token 截断与 prompt 注入，省去手写 prompt 工程。
方法三：Spring Boot 内嵌向量库做轻量级 PoC。用 Spring AI 的 InMemoryVectorStore，仅适用于单机调试。上线必须换 OpenSearch 或 Milvus——【InMemoryVectorStore 不支持持久化，重启即丢全部向量】。
