Spring AI项目中RAG与工具调用的协同优化实践

背景与问题场景

在构建基于Spring AI的智能问答系统时，开发者常面临静态知识库与动态数据源的协同问题。典型场景如企业HR系统中，既需要查询文档化的流程规范（如采购申请步骤），又需要获取实时更新的联系人信息（如当前HR负责人）。传统RetrievalAugmentationAdvisor方案虽然能有效检索文档，但在与工具调用（Tool Calling）结合时，大型语言模型往往过度依赖静态文档而忽视动态工具调用，导致返回信息陈旧。

问题本质分析

通过案例测试发现，当同时启用RetrievalAugmentationAdvisor和ToolCallbacks时，模型呈现以下特征：

1. 检索增强的文档内容被优先采用
2. 工具调用频率显著降低（尽管模型知晓工具存在）
3. 提示工程调整效果有限，模型难以自主判断何时需要实时数据

这种现象在不同模型（GPT-4.1、Gemini等）上表现一致，说明这是架构设计层面的模式冲突，而非特定模型的局限性。

解决方案演进

初始方案：检索优先模式

采用RetrievalAugmentationAdvisor自动注入文档上下文，配合工具回调。缺陷在于：

• 文档检索成为强制前置步骤
• 模型缺乏动态路由决策能力
• 新旧数据混合逻辑不透明

改进方案：工具化检索

将文档检索器本身注册为工具（Tool），与其他实时数据工具并列。关键突破点：

1. 取消自动文档注入，改为显式工具调用
2. 模型获得完整的流程控制权
3. 支持多工具链式调用（先查流程文档，再查最新联系人）

实现效果：

• 模型更主动发起多工具调用
• 静态文档与动态数据自然融合
• 响应准确率显著提升（实时数据采纳率提高60%+）

架构设计建议

对于需要混合静态知识和动态数据的场景，推荐采用"工具优先"架构：

1. 文档检索工具化

   • 将向量库查询封装为独立工具
   • 支持带元数据的文档过滤（如时效性标记）

2. 动态路由机制

   • 设计提示词明确工具职责边界
   • 示例："当查询涉及人员/时间敏感信息时，必须调用实时数据工具"

3. 结果后处理

   • 对工具返回的文档内容进行时效性分析
   • 自动触发补充查询（如检测到人员姓名时验证最新信息）

实践启示

1. 模型行为引导：相比被动接受上下文，模型在主动发起工具调用时表现更优
2. 架构灵活性：工具化设计比固定流程更适应复杂场景
3. 演进方向：随着模型进步，未来可探索：
   • 自动时效性判断
   • 多源数据冲突消解
   • 动态工具组合优化

Spring AI的模块化设计为这类混合式智能系统提供了良好基础，开发者应关注不同组件的协同模式而非孤立功能，才能构建真正智能的解决方案。