网站导航
> 技术文档 > Spring AI 使用 Elasticsearch 作为向量数据库_spring-ai-elasticsearch

Spring AI 使用 Elasticsearch 作为向量数据库_spring-ai-elasticsearch

网友: 技术文档 2025-08-15 16:46:04

前言

嗨，大家好，我是雪荷，最近在公司开发 AI 知识库，同时学到了一些 AI 开发相关的技术，这期先与大家分享一下如何用 ES 当做向量数据库。

安装ES

第一步我们先安装 Elasticsearch，这里建议 Elasticsearch 一定要在 8.13.x 以上，这里我选用的版本为 8.14.3。

下载 Docker Desktop

我使用 Docker 部署的 ES，所以需要先安装 Docker Desktop，大家根据自己的系统下载。

Mac 安装 Docker Desktop：Docker—苹果Mac安装Docker的两种方式-CSDN博客

Windows 安装 Docker Desktop：https://zhuanlan.zhihu.com/p/441965046

启动 ES

打开命令行直接一条命令梭哈，ES 自从 8.0 版本就默认开启安全认证了，这里我设置了关闭。

image-20250716215116133

docker run -d \\  --name elasticsearch \\  -p 9200:9200 -p 9300:9300 \\  -e \"discovery.type=single-node\" \\  -e \"xpack.security.enabled=false\" \\  -e \"xpack.security.http.ssl.enabled=false\" \\ elasticsearch:8.14.3

访问 http://localhost:9200，出现以下界面代表 ES 启动成功。

image-20250716215136310

部署本地大模型

前往 ollama 官网下载大模型本地部署工具，依旧根据自己系统进行选择。

image-20250716220233449

下载完毕通过命令行下载大模型，大家可以根据电脑配置和需求下载不同的模型和模型参数，qwen、deepseek 都是可以的，我这里就是 8b 的 deepseek-r1

ollama run deepseek-r1:8b

image-20250716220427770

然后还要部署一个文本嵌入模型，主要将文本转为向量化，这个模型仅 pull 就好，因为不是文本生成模型 run 不了。

ollama pull mxbai-embed-large:latest

搭建 Spring Boot 项目

搭建 Spring Boot 就不用我教了吧，相信各位佐助都会，建议 Spring Boot 版本要在 3.3.x 以上，我的为 3.5.3。

引入依赖

添加配置类

ES 配置类，主要配置 ES 连接地址、端口和向量数据的相关参数。

@Configurationpublic class EsRagConfig { @Bean public RestClient restClient() { return RestClient.builder(new HttpHost(\"localhost\", 9200, \"http\")) // 配置 ES 地址和端口 .build(); } @Bean public VectorStore vectorStore(RestClient restClient, EmbeddingModel embeddingModel) { ElasticsearchVectorStoreOptions options = new ElasticsearchVectorStoreOptions(); options.setIndexName(\"custom-index\"); // 设置索引名称 options.setSimilarity(SimilarityFunction.cosine); options.setDimensions(1024); // 设置向量维度 return ElasticsearchVectorStore.builder(restClient, embeddingModel) .options(options) .initializeSchema(true) // 没有索引时自动创建索引 .batchingStrategy(new TokenCountBatchingStrategy()) .build(); }}

Ollama 配置类

将本地大模型注册为 Spring Bean，以后通过 ChatClient 来调用，这样更加自由、定制化。

@Configurationpublic class OllamaConfig { @Resource private ChatModel ollamaChatModel; @Resource private LoggerAdvisor loggerAdvisor; @Bean public ChatClient chatClient() { return ChatClient.builder(ollamaChatModel).defaultAdvisors(loggerAdvisor).build(); }}

排除自动配置类

在 Spring Boot类上排除 Elasticsearch 向量存储的自动配置类，不然会打架。

配置文件和知识库文件

主要指定 ollama 地址和本地模型，以及端口号和请求前缀

spring: ai:   ollama:     base-url: http://localhost:11434     chat:       model: deepseek-r1:8bserver: address: 0.0.0.0 port: 8888 servlet:   context-path: /api

添加 Markdown 读取工具和 Markdown 文件

在 resources 目录放一个要存到向量数据库的文件。

image-20250716223134562

Markdown 文件内容如下：

image-20250716225147974

新建一个 RagController

@RestController@RequestMapping(\"/rag\")public class RagController implements CommandLineRunner { @Resource private ChatClient chatClient; @Resource private ElasticsearchVectorStore vectorStore; @Resource private MyMarkdownReader myMarkdownReader; @Override public void run(String... args) throws Exception { List documents = myMarkdownReader.loadMarkdown(); vectorStore.add(documents); System.out.println(\"文档写入 ES 成功\"); } @GetMapping(\"/completion\") public String completion(@RequestParam String question) { return chatClient.prompt() .user(question) .advisors(new QuestionAnswerAdvisor(vectorStore)) .call() .content(); }}
到这基本就 OK 了，随后启动项目，查看文件已经写入成功没，再通过 ES 调接口，查看是不是真的存储成功，可以看到真的成了。

image-20250716223208461

image-20250716224214356

调用结果如下：

image-20250716224152260

总结

本文只是实现的一个小 demo，适合小文本场景，对于大文本场景通常需要 ETL （提取

转换和加载）、token 切分，Rag 相似度匹配，条件过滤，而对于有图片的文件还需要实现 OCR。如果觉得文章不错的话，就给我点个赞吧，嘿嘿😋。Spring 官方还提供了各种文件的 reader，可以根据需求和场景选择合适的 reader，例如 tika 能实现 html、doc、ppt 和 pdf 多种文件的读取，但是对于 pdf 文件个人不太建议使用 tika 库，要想学习更多知识就请关注我吧❤️。

image-20250716225000509

个人项目

厚米匹配

网址：厚米匹配系统

前端仓库：https://github.com/dnwwdwd/homieMatching-fronted

后端仓库：https://github.com/dnwwdwd/homieMatching

灵犀 BI

网址：鱼智能 BI

前端仓库：https://github.com/dnwwdwd/Lingxi-BI-fronted

后端仓库：https://github.com/dnwwdwd/Lingxi-BI

网络标签：

相关问题