SpringAI 用嵌入模型操作向量数据库！

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：

<dependency>  <groupId>org.springframework.ai</groupId>  <artifactId>spring-ai-starter-model-openai</artifactId></dependency>

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

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();}

4.向量数据库添加数据

VectorStore 提供的常用方法如下：

• add(List<Document> documents) ：添加文档。

• delete(List<String> 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<Document> 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。

5.查询数据

@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<Document> result = vectorStore.similaritySearch(request);        System.out.println(result);        return result;    }}

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：

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。

行业拓展

分享一个面向研发人群使用的前后端分离的低代码软件——JNPF。

基于 Java Boot/.Net Core 双引擎，它适配国产化，支持主流数据库和操作系统，提供五十几种高频预制组件，内置了常用的后台管理系统使用场景和实用模版，通过简单的拖拉拽操作，开发者能够高效完成软件开发，提高开发效率，减少代码编写工作。

JNPF 基于 SpringBoot+Vue.js，提供了一个适合所有水平用户的低代码学习平台，无论是有经验的开发者还是编程新手，都可以在这里找到适合自己的学习路径。

此外，JNPF 支持全源码交付，完全支持根据公司、项目需求、业务需求进行二次改造开发或内网部署，具备多角色门户、登录认证、组织管理、角色授权、表单设计、流程设计、页面配置、报表设计、门户配置、代码生成工具等开箱即用的在线服务。