最近在做网盘类产品时遇到了一个很典型的诉求用户不仅需要把文件存起来更希望文件里的内容能被直接提问。比如上传了一份产品白皮书老板直接问我们Q3的OKR是什么系统要能从文档里检索出答案而不是让用户自己打开PDF慢慢翻。这个需求拆开来看就是经典的 RAGRetrieval-Augmented Generation检索增强生成场景。结合已有的网盘基础设施我选择了一套 Java 技术栈方案LangChain4j PostgreSQL pgvector Redis做了一个名为 CloudVault 的 AI 网盘文档问答系统。本文把这套方案的完整搭建过程、核心代码和踩坑记录整理出来希望对你有帮助。1. 背景与核心概念1.1 为什么网盘需要文档问答能力传统网盘解决的是文件存储与下载的问题但文件里的信息是非结构化的。面对大量 PDF、Word、TXT 文档用户想找到某一段话时只能靠文件名搜索或者逐个打开查看。AI 网盘则在存储之上增加了一个语义理解层核心能力包括用户上传文档后系统自动解析文档内容。将文档切分为多个片段并生成向量向量化表示。用户提问时系统在向量库中检索最相关的片段。将检索到的片段作为上下文交给大模型生成回答。这种先检索、后生成的方式就是 RAG。RAG 能有效缓解大模型幻觉问题也能让模型回答基于你私有文档中的真实信息。1.2 LangChain4j 与 RAGLangChain 在 Python 生态中已经非常流行它把 LLM 调用、Prompt 管理、向量存储、检索器、对话记忆等模块封装成统一抽象。对于 Java 技术栈LangChain4j提供了类似的能力官方定位是Java 版的 LangChain。它支持对接 OpenAI 接口、各类本地模型比如 Ollama、llama.cpp也支持多种向量存储包括 PostgreSQL pgvector、Milvus、Redis 等。在 CloudVault 中LangChain4j 主要负责文档加载与解析支持 PDF、DOCX、TXT 等。文档切分把长文本拆成适合向量化的 Chunk。Embedding 向量化将文本转换为浮点数组。构建检索器到 pgvector 中执行相似度搜索。编排问答链路把检索结果与大模型组装成最终回复。1.3 PostgreSQL pgvector结构化数据与向量数据统一存储大多数网盘系统的元数据用户、文件、分享记录都存储在关系型数据库中。如果为了向量检索再引入一套独立的向量数据库会带来额外的运维成本和数据一致性复杂