一、什么是向量数据库？

向量数据库用于存储、检索稠密语义向量（Embedding），是构建 RAG（检索增强生成）系统的核心组件。它支持近似最近邻搜索（ANN），可根据语义相似度找出最相关的文本。

---

二、Spring AI 的向量库支持

Spring AI 提供统一接口 VectorStore，支持以下数据库作为向量存储：

向量数据库	模块依赖	特点
Redis	spring-ai-redis-store	快速、适合中小规模
PGVector	spring-ai-pgvector-store	PostgreSQL 扩展
Milvus	spring-ai-milvus-store	高性能向量引擎
Qdrant	spring-ai-qdrant-store	Rust 编写，支持 REST

---

三、核心接口结构

public interface VectorStore {void add(List<Document> documents);List<Document> similaritySearch(String query, int topK);
}

文档结构

public class Document {private String content;private Map<String, String> metadata;
}

---

四、文本转向量底层原理

Spring AI 使用 EmbeddingClient 调用 LLM 服务（如 OpenAI）将文本转为向量：

EmbeddingResponse embed(String input);

• 背后原理是 Transformer 模型中的 Encoder，将语义映射到向量空间
• 常用模型：text-embedding-ada-002（1536维）

---

五、以 PGVector 为例的工作流程

添加向量

EmbeddingResponse response = embeddingClient.embed("企业文化内容");
Document doc = new Document("企业文化内容", Map.of("topic", "文化"));
vectorStore.add(List.of(doc));

底层使用 SQL 插入向量字段（float8[]）：

INSERT INTO documents (content, metadata, embedding)
VALUES (?, ?, ?::vector)

查询向量

List<Document> docs = vectorStore.similaritySearch("公司节假日安排", 3);

生成查询 embedding，执行 SQL：

SELECT * FROM documents
ORDER BY embedding <-> ?::vector
LIMIT 3;

---

六、RAG 实战项目结构（Spring AI）

项目目标：上传知识文档，生成向量库，用户提问返回智能回答。

项目结构

spring-ai-rag-demo/
├── config/
│   └── AiConfig.java
├── controller/
│   └── QaController.java
├── service/
│   └── RagService.java
├── util/
│   └── TextSplitter.java
├── application.yml

---

application.yml 示例

spring:ai:openai:api-key: sk-xxxchat:model: gpt-3.5-turboembedding:model: text-embedding-ada-002vectorstore:type: pgvectorindex-name: rag_documentsdimensions: 1536

---

配置类

@Configuration
public class AiConfig {@Beanpublic EmbeddingClient embeddingClient(OpenAiEmbeddingClient client) {return client;}
}

---

TextSplitter 工具类

public class TextSplitter {public static List<String> split(String text, int chunkSize) {List<String> chunks = new ArrayList<>();for (int i = 0; i < text.length(); i += chunkSize) {chunks.add(text.substring(i, Math.min(i + chunkSize, text.length())));}return chunks;}
}

---

RagService

@Service
@RequiredArgsConstructor
public class RagService {private final EmbeddingClient embeddingClient;private final VectorStore vectorStore;private final ChatClient chatClient;public void uploadDoc(String rawText) {List<String> chunks = TextSplitter.split(rawText, 300);List<Document> docs = chunks.stream().map(text -> new Document(text, Map.of())).toList();vectorStore.add(docs);}public String ask(String question) {List<Document> relevant = vectorStore.similaritySearch(question, 3);String context = relevant.stream().map(Document::getContent).collect(Collectors.joining("\n\n"));Prompt prompt = Prompt.builder().system("你是公司智能问答助手，请结合提供的资料回答问题。").user("资料如下：\n" + context + "\n\n问题：" + question).build();return chatClient.call(prompt).getResult().getOutput().getContent();}
}

---

控制器

@RestController
@RequiredArgsConstructor
@RequestMapping("/qa")
public class QaController {private final RagService ragService;@PostMapping("/upload")public String upload(@RequestBody String text) {ragService.uploadDoc(text);return "文档已上传并向量化";}@GetMapping("/ask")public String ask(@RequestParam String question) {return ragService.ask(question);}
}

---

七、向量库选择建议

使用场景	推荐向量库	原因
小型项目 / 内存快读	Redis	部署轻便，速度快
需要持久化 + 查询	PGVector	SQL 强大，易集成 PostgreSQL 项目
大规模检索系统	Milvus/Qdrant	高并发 + ANN 检索优化

---

八、可视化与测试工具

• RedisInsight 查看 Redis 向量数据
• pgAdmin/Beekeeper 查看 PG 向量字段
• Qdrant Console / Milvus UI

---

九、RAG 流程图

---

十、总结

• Spring AI 使用统一的 VectorStore 接口封装向量数据库操作
• 向量生成通过 EmbeddingClient 与 OpenAI/Ollama 接口
• 可基于向量检索构建 RAG 问答系统，支持常见向量库（PGVector、Redis、Milvus）
• Java 开发者可零门槛快速搭建企业级智能问答系统