Spring AI（6）——向量存储_simplevectorstore

向量数据库是一种特殊类型的数据库，在 AI 应用中发挥着至关重要的作用。

在向量数据库中，查询与传统关系型数据库不同。它们执行的是相似性搜索，而非精确匹配。当给定一个向量作为查询时，向量数据库会返回与该查询向量“相似”的向量。

Spring AI 通过 VectorStore 接口提供了一个抽象的 API，用于与向量数据库交互。

VectorStore接口中主要方法：

public interface VectorStore extends DocumentWriter { default String getName() {return this.getClass().getSimpleName();} // 向向量数据库写入数据 void add(List documents); // 根据id删除数据 void delete(List idList); // 根据过滤表达式删除数据 void delete(Filter.Expression filterExpression); default void delete(String filterExpression) { ... }; // 进行相似度搜索 List similaritySearch(String query); List similaritySearch(SearchRequest request); default  Optional getNativeClient() {return Optional.empty();}}

支持的向量数据库：

• Azure Vector Search
• Apache Cassandra
• Chroma Vector Store
• Elasticsearch Vector Store
• GemFire Vector Store
• MariaDB Vector Store
• Milvus Vector Store
• MongoDB Atlas Vector Store
• Neo4j Vector Store
• OpenSearch Vector Store
• Oracle Vector Store
• PgVector Store
• Pinecone Vector Store
• Qdrant Vector Store
• Redis Vector Store
• SAP Hana Vector Store
• Typesense Vector Store
• Weaviate Vector Store
• SimpleVectorStore - 一个简单的持久化向量存储实现，适合教学目的。

SimpleVectorStore使用

注意：需要提前启动上篇博客中通过Ollama安装的嵌入模型

SimpleVectorStore将向量数据存储在内存中。

导入jar

  org.springframework.ai spring-ai-vector-store 

创建SimpleVectorStore对象

 @Bean public SimpleVectorStore vectorStore() { return SimpleVectorStore.builder(embeddingModel).build(); }

创建对象时，将存储对象和嵌入模型进行关联。关于嵌入模型的使用，参考：

Spring AI（5）——通过嵌入模型进行数据的向量化处理-CSDN博客

向SimpleVectorStore对象中写入测试数据

本例中，创建Document对象时，三个参数分别为：文档id，文档内容，文档的元数据。

 @PostConstruct public void init() { List documents = List.of( new Document(\"1\", \"今天天气不错\", Map.of(\"country\", \"郑州\", \"date\", \"2025-05-13\")), new Document(\"2\", \"天气不错，适合旅游\", Map.of(\"country\", \"开封\", \"date\", \"2025-05-15\")), new Document(\"3\", \"去哪里旅游好呢\", Map.of(\"country\", \"洛阳\", \"date\", \"2025-05-15\"))); // 存储数据 simpleVectorStore.add(documents); }

通过调试可以看出， SimpleVectorStore对象中存储的原始文档信息和向量化后的数据。

进行相似度搜索

根据字符串内容进行搜索

 @GetMapping(\"/store\") public String store(String message) { // 相似度检索 List list= simpleVectorStore.similaritySearch(\"旅游\"); System.out.println(list.size()); System.out.println(list.get(0).getText()); return \"success\"; }

通过调试可以看到，对所有的数据进行向量的相似度计算，并进行打分，计算结果按照score的降序排列 。

根据元数据过滤器进行搜索

使用字符串设置搜索条件

例如：

• \"country == \'BG\'\"

• \"genre == \'drama\' && year >= 2020\"

• \"genre in [\'comedy\', \'documentary\', \'drama\']\"

SearchRequest request = SearchRequest.builder() .query(\"World\") .filterExpression(\"country == \'Bulgaria\'\") .build();

使用Filter.Expression设置搜索条件

可以使用 FilterExpressionBuilder 创建 Filter.Expression 的实例。一个简单的示例如下：

FilterExpressionBuilder b = new FilterExpressionBuilder();Expression expression = this.b.eq(\"country\", \"BG\").build();

可以使用以下运算符构建复杂的表达式：

EQUALS: \'==\'MINUS : \'-\'PLUS: \'+\'GT: \'>\'GE: \'>=\'LT: \'<\'LE: \'<=\'NE: \'!=\'

可以使用以下运算符组合表达式：

AND: \'AND\' | \'and\' | \'&&\';OR: \'OR\' | \'or\' | \'||\';

参考示例：

Expression exp = b.and(b.eq(\"genre\", \"drama\"), b.gte(\"year\", 2020)).build();

还可以使用以下运算符：

IN: \'IN\' | \'in\';NIN: \'NIN\' | \'nin\';NOT: \'NOT\' | \'not\';

参考示例：

Expression exp = b.and(b.in(\"genre\", \"drama\", \"documentary\"), b.not(b.lt(\"year\", 2020))).build();

测试案例： 

 @GetMapping(\"/store\") public String store(String message) { // 相似度检索 // List list = simpleVectorStore.similaritySearch(\"旅游\"); // 创建过滤器对象 FilterExpressionBuilder b = new FilterExpressionBuilder(); Filter.Expression filter = b.eq(\"country\", \"郑州\").build(); // Filter.Expression filter = b.and(b.eq(\"country\", \"郑州\"), b.gte(\"date\", \"2025-05-15\")).build();; // 创建搜索对象 SearchRequest request = SearchRequest.builder() .query(\"旅游\") // 搜索内容 .filterExpression(filter) // 指定过滤器对象 .build(); List list = simpleVectorStore.similaritySearch(request); System.out.println(list.size()); System.out.println(list.get(0).getText()); return \"success\"; }

删除数据

 @GetMapping(\"/store2\") public String store2(String message) { // 删除数据 simpleVectorStore.delete(List.of(\"3\")); return \"success\"; }

注意：也可以根据元数据过滤器进行删除，本文不再演示

 Milvus进行向量存储

关于milvus的介绍和环境安装，参考：

LangChain4j（16）——使用milvus进行向量存储-CSDN博客

注意：需要提前启动上篇博客中通过Ollama安装的嵌入模型

导入jar 

org.springframework.aispring-ai-starter-vector-store-milvus

yml配置

在原来的基础上，增加如下配置：

spring: ai: vectorstore: milvus: client: host: \"localhost\" port: 19530 databaseName: \"myai\" collectionName: \"vector_store\" embeddingDimension: 768 indexType: IVF_FLAT metricType: COSINE

该配置中指定了milvus的数据库名，collection名称，向量纬度，索引的类型，向量搜索的算法等，更多的属性设置可以参考官网：

属性 描述 默认值

spring.ai.vectorstore.milvus.database-name

要使用的 Milvus 数据库名称。

default

spring.ai.vectorstore.milvus.collection-name

用于存储向量的 Milvus Collection 名称

vector_store

spring.ai.vectorstore.milvus.initialize-schema

是否初始化 Milvus 后端

false

spring.ai.vectorstore.milvus.embedding-dimension

存储在 Milvus Collection 中的向量维度。

1536

spring.ai.vectorstore.milvus.index-type

为 Milvus Collection 创建的索引类型。

IVF_FLAT

spring.ai.vectorstore.milvus.metric-type

用于 Milvus Collection 的度量类型（Metric Type）。

COSINE

spring.ai.vectorstore.milvus.index-parameters

用于 Milvus Collection 的索引参数。

{\"nlist\":1024}

spring.ai.vectorstore.milvus.id-field-name

Collection 的 ID 字段名称

doc_id

spring.ai.vectorstore.milvus.is-auto-id

布尔标志，指示 ID 字段是否使用 auto-id

false

spring.ai.vectorstore.milvus.content-field-name

Collection 的内容字段名称

content

spring.ai.vectorstore.milvus.metadata-field-name

Collection 的元数据字段名称

metadata

spring.ai.vectorstore.milvus.embedding-field-name

Collection 的嵌入字段名称

embedding

spring.ai.vectorstore.milvus.client.host

主机名称或地址。

localhost

spring.ai.vectorstore.milvus.client.port

连接端口。

19530

spring.ai.vectorstore.milvus.client.uri

Milvus 实例的 URI

-

spring.ai.vectorstore.milvus.client.token

用作身份识别和认证目的的 Token。

-

spring.ai.vectorstore.milvus.client.connect-timeout-ms

客户端通道的连接超时值。超时值必须大于零。

10000

spring.ai.vectorstore.milvus.client.keep-alive-time-ms

客户端通道的 Keep-alive 时间值。Keep-alive 值必须大于零。

55000

spring.ai.vectorstore.milvus.client.keep-alive-timeout-ms

客户端通道的 Keep-alive 超时值。超时值必须大于零。

20000

spring.ai.vectorstore.milvus.client.rpc-deadline-ms

愿意等待服务器回复的截止时间。设置截止时间后，客户端在遇到由网络波动引起的快速 RPC 失败时将等待。截止时间值必须大于或等于零。

0

spring.ai.vectorstore.milvus.client.client-key-path

用于 TLS 双向认证的 client.key 路径，仅当 \"secure\" 为 true 时生效

-

spring.ai.vectorstore.milvus.client.client-pem-path

用于 TLS 双向认证的 client.pem 路径，仅当 \"secure\" 为 true 时生效

-

spring.ai.vectorstore.milvus.client.ca-pem-path

用于 TLS 双向认证的 ca.pem 路径，仅当 \"secure\" 为 true 时生效

-

spring.ai.vectorstore.milvus.client.server-pem-path

用于 TLS 单向认证的 server.pem 路径，仅当 \"secure\" 为 true 时生效。

-

spring.ai.vectorstore.milvus.client.server-name

设置 SSL 主机名检查的目标名称覆盖，仅当 \"secure\" 为 True 时生效。注意：此值会传递给 grpc.ssl_target_name_override

-

spring.ai.vectorstore.milvus.client.secure

保护此连接的授权，设置为 True 以启用 TLS。

false

spring.ai.vectorstore.milvus.client.idle-timeout-ms

客户端通道的空闲超时值。超时值必须大于零。

24h

spring.ai.vectorstore.milvus.client.username

此连接的用户名和密码。

root

spring.ai.vectorstore.milvus.client.password

此连接的密码。

milvus

通过attu创建collection

注意：collection中的字段名称使用的是上面属性中的默认名称：

spring.ai.vectorstore.milvus.id-field-name=doc_id

spring.ai.vectorstore.milvus.content-field-name=content
spring.ai.vectorstore.milvus.metadata-field-name=metadata
spring.ai.vectorstore.milvus.embedding-field-name=embedding

注入MilvusVectorStore对象

 @Resource private MilvusVectorStore milvusVectorStore;

添加测试数据

 @PostConstruct public void init() { List documents = List.of( new Document(\"今天天气不错\", Map.of(\"country\", \"郑州\", \"date\", \"2025-05-13\")), new Document(\"天气不错，适合旅游\", Map.of(\"country\", \"开封\", \"date\", \"2025-05-15\")), new Document(\"去哪里旅游好呢\", Map.of(\"country\", \"洛阳\", \"date\", \"2025-05-15\"))); // 存储数据 milvusVectorStore.add(documents); }

本例没有指定Document的id，id会随机生成

相似度搜索

 @GetMapping(\"/search\") public String search(String message) { // 相似度检索 List list = milvusVectorStore.similaritySearch(\"旅游\"); System.out.println(list.size()); System.out.println(list.get(0).getText()); return \"success\"; } @GetMapping(\"/search5\") public String search5(String message) { MilvusSearchRequest request = MilvusSearchRequest.milvusBuilder() .query(\"旅游\") .topK(5) .similarityThreshold(0.7) .filterExpression(\"date == \'2025-05-15\'\") // Ignored if nativeExpression is set //.searchParamsJson(\"{\\\"nprobe\\\":128}\") .build(); // 相似度检索 List list = milvusVectorStore.similaritySearch(request); System.out.println(list.size()); System.out.println(list.get(0).getText()); return \"success\"; }

top_k： 表示根据token排名，只考虑前k个token

similarity threshold：相似度的阈值

 

摄影论坛