SpringAI用嵌入模型操作向量数据库！

摘要：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 A

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-v3SimpleVectorStore（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。

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

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

将 EmbeddingModel 和 VectorStore 进行关联，如下代码所示：

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

VectorStore 提供的常用方法如下：

add(List documents)：添加文档。delete(List idList)：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);

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。

@RestController@RequestMapping("/vector")public class 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; }}

执行结果如下：