嵌入模型（Embedding Model）和向量數(shù)據(jù)庫（Vector Database/Vector Store）是一對(duì)親密無間的合作伙伴，也是 AI 技術(shù)棧中緊密關(guān)聯(lián)的兩大核心組件，兩者的協(xié)同作用構(gòu)成了現(xiàn)代語義搜索、推薦系統(tǒng)和 RAG（Retrieval Augmented Generation，檢索增強(qiáng)生成）等應(yīng)用的技術(shù)基礎(chǔ)。

“PS：準(zhǔn)確來說 Vector Database 和 Vector Store 不完全相同，前者主要用于“向量”數(shù)據(jù)的存儲(chǔ)，而 Vector Store 是用于存儲(chǔ)和檢索向量數(shù)據(jù)的組件。

在 Spring AI 中，嵌入模型 API 和 Spring AI Model API 和嵌入模型的關(guān)系如下：

系統(tǒng)整體交互流程如下：

接下來我們使用以下技術(shù)：

• Spring AI
• 阿里云文本嵌入模型 text-embedding-v3
• SimpleVectorStore（內(nèi)存級(jí)別存儲(chǔ)和檢索向量數(shù)據(jù)組件）

實(shí)現(xiàn)嵌入模型操作內(nèi)存級(jí)別向量數(shù)據(jù)庫的案例。

1.添加項(xiàng)目依賴

我們使用阿里云百煉平臺(tái)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(tái)支持的向量模型：

項(xiàng)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-r1

3.配置向量模型

將 EmbeddingModel 和 VectorStore 進(jìn)行關(guān)聯(lián)，如下代碼所示：

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

4.向量數(shù)據(jù)庫添加數(shù)據(jù)

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(dá)式刪除文檔。
• similaritySearch(String query) 和 similaritySearch(SearchRequest request) ：相似性搜索。

向數(shù)據(jù)庫添加向量數(shù)據(jù)的方法如下：

// 構(gòu)建測(cè)試數(shù)據(jù)
List<Document> documents =
List.of(new Document("I like Spring Boot"),
        new Document("I love Java"));
// 添加到向量數(shù)據(jù)庫
vectorStore.add(documents);

當(dāng)然，向量數(shù)據(jù)的數(shù)據(jù)源可以是文件、圖片、音頻等資源，這里為了簡(jiǎn)單演示整體執(zhí)行流程，使用了更簡(jiǎn)單直觀的文本作為數(shù)據(jù)源。

5.查詢數(shù)據(jù)

@RestController
@RequestMapping("/vector")
publicclass VectorController {

    @Resource
    private VectorStore vectorStore;

    @RequestMapping("/find")
    public List find(@RequestParam String query) {
        // 構(gòu)建搜索請(qǐng)求，設(shè)置查詢文本和返回的文檔數(shù)量
        SearchRequest request = SearchRequest.builder()
        .query(query)
        .topK(3)
        .build();
        List<Document> result = vectorStore.similaritySearch(request);
        System.out.println(result);
        return result;
    }
}

執(zhí)行結(jié)果如下：

從上述結(jié)果可以看出，和“java”相似度最高的向量為“I love Java”，相似度評(píng)分為 0.77，如果我們 SearchRequest 對(duì)象中的 topK 設(shè)置為 1 的話，只會(huì)查詢“I love Java”這條數(shù)據(jù)，如下圖所示：

“想要獲取完整案例的同學(xué)加V：vipStone【備注：向量】

小結(jié)

嵌入模型和向量數(shù)據(jù)庫是實(shí)現(xiàn) RAG（檢索增強(qiáng)生成）的技術(shù)基礎(chǔ)，當(dāng)然除了以上案例外，你可以使用 Redis 或 ES 來存儲(chǔ)向量數(shù)據(jù)，并嘗試加入 DeepSeek 實(shí)現(xiàn) RAG 功能，這種形式更符合企業(yè)真實(shí)的技術(shù)應(yīng)用。