Spring AI ectorStore的使用流程

本文主要是介绍Spring AI ectorStore的使用流程，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

《SpringAIectorStore的使用流程》SpringAI中的VectorStore是一种用于存储和检索高维向量数据的数据库或存储解决方案,它在AI应用中发挥着至关重要的作用,本文给大家介...

一、VectorStore的基本概念

定义：VectorStore特别适用于处理那些经过嵌入模型转化后的数据。在VectorStore中，查询与传统关系数据库不同，它执行的是相似性搜索，而非精确匹配。当给定向量作为查询时，它会返回与查询向量“相似”的向量。
应用场景：VectorStore主要用于将数据与AI模型集成。它存储并支持对这些向量的相似性搜索，为AI模型提供丰富的上下文信息，从而实现更精确、更智能的回复。这种技术被称为检索增强生成（Retrieval Augmented Generation，RAG）。

二、VectorStore的核心接口

Spring AI框架通过VectorStore接口为向量数据库交互提供了抽象化的API。VectorStore接口定义了以下核心操作：

添加文档：void add(List documents)，将文档添加到向量数据库中。
删除文档：Optional delete(List idList)，从向量数据库中删除指定ID的文档。
相似性搜索：
- List similaritySearch(String query)，根据查询字符串进行相似性搜索，返回相似的文档列表。
- List similaritySearch(SearchRequest request)，根据SearchRequest对象进行更复杂的相似性搜索。其中，SearchRequest对象允许开发者微调相似性搜索的参数，如指定要返回的相似文档的最大数量（topK）、相似度阈值（threshold）以及基于元数据的过滤表达式（filterExpression）。

三、VectorStore的使用流程

数据准备：在将文档存储到向量数据库之前，需要先将文档内容转换为向量嵌入。Spring AI框架支持多种嵌入模型，如Word2Vec、GLoVE、BERT以及OpenAI的text-embedding-ada-002等。开发者可以根据自己的需求选择合适的嵌入模型。
文档嵌入：利用Spring AI框架提供的EmbeddingClient将文档转换为向量嵌入。存储到VectorStore：将转换后的向量嵌入存储到VectorStore中。
相似性搜索：当用户发起查询时，Spring AI框架会自动将查询字符串转换为向量，并在VectorStore中执行相似性搜索，返回与查询向量最相似的文档列表。
AI模型处理：将这些相似的文档作为用户问题的上下文信息，与用户的查询一起发送到AI模型中进行处理，从而实现更精确、更智能的回复。

四、Spring AI与VectorStore的集成案例

以基于Spring AI框架的聊天机器人项目为例，该项目需要实现根据用户提供的文档数据进行回复的功能。由于对话有最大Token的限制，无法直接将所有的数据发给AI模型进行处理。因此，决定采用数据向量China编程化的方式，将文档数据存储到VectorStore中，并在用户发起对话之前从VectorStore中检索一组相似的文档作为上下文信息。具体实现步骤如下：

引入依赖：在项目的pom.XML文件中引入Spring AI框架以及向量数据库相关的依赖。
配置VectorStore：在application.properties或application.yml文件中配置VectorStore的连接信息以及嵌入模型等参数。
创建文档嵌入服务：利用Spring AI框架提供的EmbeddingClient将文档转换为向量嵌入，并存储到VectorStore中。
实现相似性搜索：在用户发起对话之前，从VectorStore中检索一组相似的文档作为上下文信息。
整合AI模型：将检索到的上下文信息与用户的查询一起发送到AI模型中进行处理，并返回处理结果给用户。

五、VectorStore&ES8

1、添加依赖

首先，在Spring Boot项目的构建文件中（如pom.xml对于Maven项目，或build.gradle对于Gradle项目）添加Elasticsearch客户端的依赖。由于Spring AI框架可能不直接支持Elasticsearch作为VectorStore，需要使用Elasticsearch的Java客户端库来与Elasticsearch进行交互。

<!-- Maven 示例 -->
<dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-elasticsearch-store</artifactId>
            <version>${spring-ai.version}</version>
        </dependency>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-elasticsearch-store-spring-boot-starter</artifactId>
            <version>${spring-ai.version}</version>
        </dependency>

2、配置Elasticsearch连接

在Spring Boot的配置文件中（如application.properties或application.yml），配置Elasticsearch的连接信息，包括集群地址、端口和可能的认证信息。

spring:
  profiles:
    active: druid
  elasticsearch:
    uris: http://1NJNnsK27.0.0.1:9200/      #请改成自己的路径
  ai:
    ollama:
      base-url: http://localhost:11434
      embedding:
        model: llama3.2
    vectorstore:
      elasticsearch:
        initialize-schema: true         #请不要修改此配置
 编程China编程       index-name: zixiai           #这是 zixiai 默认的索引，请不要修改或删除
        dimensions: 2048                #不要修改这个配置，与具体大模型本身的维度参数有关系
        similarity: cosine
        BATching-strategy: TOKEN_COUNT

3、业务代码

    @Override
    public String embed(String msg, Set<String> fileIds) {
        log.debug("embedding... {}", msg);
        Set<String> finalFileIds = (fileIds == null) ? new HashSet<>() : fileIds;
        List<Document> st = vectorStore.similaritySearch(SearchRequest.builder().query(msg).topK(5).build());
//                .similaritySearch(SearchRequest.query(msg).withTopK(5));
        // 首先查询向量库
        String promptContent = null;
        if (!CollectionUtils.isEmpty(st)) {
            promptContent = st.stream()
                    .filter(doc -> {
                        if (CollectionUtils.isEmpty(finalFileIds)) {
                            return true;
                        }
                        Object fileIdObject = doc.getMetadata().get("file_id");
                        String docFileId = fileIdObject != null ? fileIdObject.toString() : null;
                        return finalFileIds.contains(docFileId);
                    })
                    .map(Document::getText)
                    .filter(StringUtils::hasText)
                    .collect(Collectors.joining(" "));
        }
        // 确保 promptContent 不为空
        if (!StringUtils.hasText(promptContent)) {
            promptContent = "No information found in the database.";
        }
        log.debug("Prompt content: {}", promptContent);
        return chatClient
                .promptpython(promptContent)
                .user(msg)
                .call()
                .contjsent();
    }

详细样例代码：样例