Spring AI 前兩天（4.10 日）更新了 1.0.0-M7 版本后，原來的 SimpleVectorStore 內(nèi)存級(jí)別的向量數(shù)據(jù)庫就不能用了，Spring AI 將其全部源碼刪除了。

此時(shí)我們就需要一種成本更低的解決方案來解決這個(gè)問題，如何解決呢？我們一起來看。

解決方案：Redis 向量數(shù)據(jù)庫

雖然 SimpleVectorStore 不支持了，但 Spring AI 內(nèi)置了 Redis 或 ES 作為向量數(shù)據(jù)庫的分布式存儲(chǔ)中間件，我們可以用他們來進(jìn)行向量的存儲(chǔ)。

而在這兩種方案中，顯然 Redis 使用成本更低，因此，我們來看如何將向量存儲(chǔ)到 Redis 數(shù)據(jù)庫中。

它的具體實(shí)現(xiàn)步驟如下。

安裝Redis-Stack

1. 下載 Docker Hub：https://www.docker.com/get-started/

圖片

2. 安裝 redis-stack-server：使用“docker run -d --name redis-stack-server -p 6379:6379 redis/redis-stack-server”。

添加依賴

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，我們需要添加 OpenAI 和 Redis Vector 依賴：

<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-starter-vector-store-redis</artifactId>
</dependency>

<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-starter-model-openai</artifactId>
</dependency>

設(shè)置配置信息

配置 Redis 連接信息，以及嵌入模型的配置信息：

spring:
  data:
    redis:
      host: localhost
      port: 6379
  ai:
    vectorstore:
      redis:
        initialize-schema: true
        index-name: custom-index
        prefix: custom-prefix
    openai:
      api-key: ${ALIYUN-AK}
      embedding:
        options:
          model: text-embedding-v3

阿里云百煉平臺(tái)支持的向量模型：

圖片

代碼實(shí)現(xiàn)

Redis 添加向量數(shù)據(jù)

@Autowired
private VectorStore vectorStore;

// 構(gòu)建數(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，這里為了簡單演示整體執(zhí)行流程，使用了更簡單直觀的文本作為數(shù)據(jù)源。

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。

執(zhí)行結(jié)果如下：

圖片

查詢向量數(shù)據(jù)

@RestController
@RequestMapping("/vector")
public class 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：

圖片

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：

圖片