很多 Java 开发者第一次做 RAG,最容易把重点放在向量数据库选型上:到底用 Milvus、pgvector、Elasticsearch 还是 Redis?Embedding 模型怎么选?topK 设多少?这些都重要,但在企业知识库项目里,另一个问题往往更早暴露:用户问的是同一个问题,系统却把别的部门、别的租户、过期版本、未发布文档一起召回了。这不是模型能力问题,也不完全是向量数据库问题,而是 RAG 检索链路缺少了一个工程上非常关键的约束:Metadata Filter。真正的问题不是“搜不到”,而是“搜得太宽”
如果只做向量相似度检索,系统很可能把“相似”的内容全部召回。它不关心文档属于哪个部门,也不关心版本是否有效,更不关心用户有没有权限看。这时即使大模型本身很强,也会陷入一个尴尬局面:上下文里混进了不该出现的材料,回答自然就不稳定。所以企业 RAG 的第一层能力,不应该是“尽可能多召回”,而是“先把不该参与检索的内容挡在外面”。Metadata Filter 到底过滤什么
RAG 里的 Metadata,通常是文档切块时附带的一组结构化字段。比如:{ "tenantId": "t_001", "department": "finance", "docType": "policy", "version": "2025", "status": "published", "visibility": "internal"}Embedding 负责表达文本语义,Metadata 负责表达业务边界。两者的分工很像 Java 后端里的“全文搜索 + SQL 条件”。相似度检索解决“内容像不像”,Metadata Filter 解决“这条数据有没有资格参与搜索”。这一步如果缺失,RAG 很容易看起来“能跑”,但一上线就出现权限、口径和可信度问题。Spring AI 里可以怎么落地
Spring AI 的 VectorStore 抽象支持相似度检索,也支持通过 SearchRequest 传入检索参数。不同向量数据库对过滤表达式的支持会有差异,实际项目要以当前版本官方文档和具体存储实现为准。下面示例只展示关键思路:用户问题进入 RAG 服务后,先根据登录用户构造 metadata 条件,再执行向量检索。@Servicepublic class KnowledgeSearchService {
private final VectorStore vectorStore;
public…