SpringAI用嵌入模型操作向量数据库！

amUsoe

嵌入模型（Embedding Model）和向量数据库（Vector Database/Vector Store）是一对亲密无间的合作伙伴，也是 AI 技术栈中紧密关联的两大核心组件，两者的协同作用构成了现代语义搜索、推荐系统和 RAG（Retrieval Augmented Generation，检索增强生成）等应用的技术基础。

“PS：准确来说 Vector Database 和 Vector Store 不完全相同，前者主要用于“向量”数据的存储，而 Vector Store 是用于存储和检索向量数据的组件。

在 Spring AI 中，嵌入模型 API 和 Spring AI Model API 和嵌入模型的关系如下：

系统整体交互流程如下：

接下来我们使用以下技术：

• Spring AI
  
• 阿里云文本嵌入模型 text-embedding-v3
  
• SimpleVectorStore（内存级别存储和检索向量数据组件）
  

实现嵌入模型操作内存级别向量数据库的案例。
1.添加项目依赖

我们使用阿里云百炼平台的嵌入模型 text-embedding-v3 是兼容 OpenAI 的 SDK 的，因此，我们只需要添加 OpenAI 依赖即可：
  org.springframework.ai  spring-ai-starter-model-openai

• 1.
  
• 2.
  
• 3.
  
• 4.
  

2.配置嵌入模型

阿里云百炼平台支持的向量模型：

项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

• 1.
  
• 2.
  
• 3.
  
• 4.
  
• 5.
  
• 6.
  
• 7.
  
• 8.
  
• 9.
  
• 10.
  

3.配置向量模型

将 EmbeddingModel 和 VectorStore 进行关联，如下代码所示：
@Beanpublic VectorStore vectorStore(EmbeddingModel embeddingModel) {return SimpleVectorStore.builder(embeddingModel).build();}

• 1.
  
• 2.
  
• 3.
  
• 4.
  

4.向量数据库添加数据

VectorStore 提供的常用方法如下：

• add(Listdocuments) ：添加文档。
  
• delete(ListidList) ：按 ID 删除文档。
  
• delete(Filter.Expression filterExpression) ：按过滤表达式删除文档。
  
• similaritySearch(String query) 和 similaritySearch(SearchRequest request) ：相似性搜索。
  

向数据库添加向量数据的方法如下：
// 构建测试数据List documents =List.of(new Document("I like Spring Boot"),        new Document("I love Java"));// 添加到向量数据库vectorStore.add(documents);

• 1.
  
• 2.
  
• 3.
  
• 4.
  
• 5.
  
• 6.
  

当然，向量数据的数据源可以是文件、图片、音频等资源，这里为了简单演示整体执行流程，使用了更简单直观的文本作为数据源。
5.查询数据

@RestController@RequestMapping("/vector")publicclass VectorController {    @Resource    private VectorStore vectorStore;    @RequestMapping("/find")    public List find(@RequestParam String query) {        // 构建搜索请求，设置查询文本和返回的文档数量        SearchRequest request = SearchRequest.builder()        .query(query)        .topK(3)        .build();        List result = vectorStore.similaritySearch(request);        System.out.println(result);        return result;    }}

• 1.
  
• 2.
  
• 3.
  
• 4.
  
• 5.
  
• 6.
  
• 7.
  
• 8.
  
• 9.
  
• 10.
  
• 11.
  
• 12.
  
• 13.
  
• 14.
  
• 15.
  
• 16.
  
• 17.
  
• 18.
  
• 19.
  

执行结果如下：

从上述结果可以看出，和“java”相似度最高的向量为“I love Java”，相似度评分为 0.77，如果我们 SearchRequest 对象中的 topK 设置为 1 的话，只会查询“I love Java”这条数据，如下图所示：

“想要获取完整案例的同学加V：vipStone【备注：向量】

小结

嵌入模型和向量数据库是实现 RAG（检索增强生成）的技术基础，当然除了以上案例外，你可以使用 Redis 或 ES 来存储向量数据，并尝试加入 DeepSeek 实现 RAG 功能，这种形式更符合企业真实的技术应用。