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<Document> documents);// 根据id删除数据void delete(List<String> 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<Document> similaritySearch(String query);List<Document> similaritySearch(SearchRequest request);default <T> Optional<T> 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
<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-vector-store</artifactId></dependency>创建SimpleVectorStore对象
@Beanpublic 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。
@PostConstructpublic void init() {List<Document> 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<Document> 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<Document> 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<Document> 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
<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-vector-store-milvus</artifactId>
</dependency>yml配置
在原来的基础上，增加如下配置：
spring:ai:vectorstore:milvus:client:host: "localhost"port: 19530databaseName: "myai"collectionName: "vector_store"embeddingDimension: 768indexType: IVF_FLATmetricType: 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
@Resourceprivate MilvusVectorStore milvusVectorStore;添加测试数据
@PostConstructpublic void init() {List<Document> 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<Document> 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<Document> 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
)
