SpringAI用嵌入模型操作向量數據庫！
嵌入模型（Embedding Model）和向量數據庫（Vector Database/Vector Store）是一對親密無間的合作伙伴，也是 AI 技術棧中緊密關聯的兩大核心組件，兩者的協同作用構成了現代語義搜索、推薦系統和 RAG（Retrieval Augmented Generation，檢索增強生成）等應用的技術基礎。
“PS：準確來說 Vector Database 和 Vector Store 不完全相同，前者主要用于“向量”數據的存儲，而 Vector Store 是用于存儲和檢索向量數據的組件。
在 Spring AI 中，嵌入模型 API 和 Spring AI Model API 和嵌入模型的關系如下：
系統整體交互流程如下：
接下來我們使用以下技術：
- Spring AI
- 阿里云文本嵌入模型 text-embedding-v3
- SimpleVectorStore（內存級別存儲和檢索向量數據組件）
實現嵌入模型操作內存級別向量數據庫的案例。
1.添加項目依賴
我們使用阿里云百煉平臺的嵌入模型 text-embedding-v3 是兼容 OpenAI 的 SDK 的，因此，我們只需要添加 OpenAI 依賴即可：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-openai</artifactId>
</dependency>2.配置嵌入模型
阿里云百煉平臺支持的向量模型：
項目配置文件配置向量模型：
spring:
ai:
openai:
api-key: ${aliyun-ak}
embedding:
options:
model: text-embedding-v3
chat:
options:
model: deepseek-r13.配置向量模型
將 EmbeddingModel 和 VectorStore 進行關聯，如下代碼所示：
@Bean
public VectorStore vectorStore(EmbeddingModel embeddingModel) {
return SimpleVectorStore.builder(embeddingModel).build();
}4.向量數據庫添加數據
VectorStore 提供的常用方法如下：
- add(Listdocuments) ：添加文檔。
- delete(ListidList) ：按 ID 刪除文檔。
- delete(Filter.Expression filterExpression) ：按過濾表達式刪除文檔。
- similaritySearch(String query) 和 similaritySearch(SearchRequest request) ：相似性搜索。
向數據庫添加向量數據的方法如下：
// 構建測試數據
List<Document> documents =
List.of(new Document("I like Spring Boot"),
new Document("I love Java"));
// 添加到向量數據庫
vectorStore.add(documents);當然，向量數據的數據源可以是文件、圖片、音頻等資源，這里為了簡單演示整體執行流程，使用了更簡單直觀的文本作為數據源。
5.查詢數據
@RestController
@RequestMapping("/vector")
publicclass VectorController {
@Resource
private VectorStore vectorStore;
@RequestMapping("/find")
public List find(@RequestParam String query) {
// 構建搜索請求，設置查詢文本和返回的文檔數量
SearchRequest request = SearchRequest.builder()
.query(query)
.topK(3)
.build();
List<Document> result = vectorStore.similaritySearch(request);
System.out.println(result);
return result;
}
}執行結果如下：
從上述結果可以看出，和“java”相似度最高的向量為“I love Java”，相似度評分為 0.77，如果我們 SearchRequest 對象中的 topK 設置為 1 的話，只會查詢“I love Java”這條數據，如下圖所示：
“想要獲取完整案例的同學加V：vipStone【備注：向量】
小結
嵌入模型和向量數據庫是實現 RAG（檢索增強生成）的技術基礎，當然除了以上案例外，你可以使用 Redis 或 ES 來存儲向量數據，并嘗試加入 DeepSeek 實現 RAG 功能，這種形式更符合企業真實的技術應用。
