大模型向量数据库去重的 N 种实现方案！

简单来说，“向量”Vector 是大模型（LLM）在搜索时使用的一种“技术手段”，通过向量比对，大模型能找出问题的相关答案，并且进行智能回答。

向量简介

Vector 是向量或矢量的意思，向量是数学里的概念，而矢量是物理里的概念，但二者描述的是同一件事。

定义：向量是用于表示具有大小和方向的量。

向量可以在不同的维度空间中定义，最常见的是二维和三维空间中的向量，但理论上也可以有更高维的向量。例如，在二维平面上的一个向量可以写作 (x,y)，这里 x 和 y 分别表示该向量沿两个坐标轴方向上的分量；而在三维空间里，则会有一个额外的 z 坐标，即 (x,y,z)。

例如，有以下 4 种狗，我们要在大模型中如何表示它们呢：

我们就可以使用向量来表示，如下图所示：

向量关系图：

向量数据库

定义：向量数据库是一种专门用于存储、管理和检索向量数据（即高维数值数组）的数据库系统。其核心功能是通过高效的索引结构和相似性计算算法，支持大规模向量数据的快速查询与分析。

向量数据库以向量为基本存储单元，这些向量通常由文本、图像、音频等非结构化数据通过深度学习模型（如 Embedding 技术）转换而来，每个向量代表对象在多维空间中的特征。例如，一段文本可转化为 512 维的浮点数向量，用于表示其语义信息。

向量数据库维度越高，查询精准度也越高，查询效果也越好。

常用向量数据库

Java 领域常用的向量数据库有：

• Redis Stack：原有 Redis 服务升级之后就可以用来存储向量数据。

• Elastic Search

• Milvus：一款开源的高性能向量数据库，专为存储、索引和检索大规模向量数据而设计。它可以实现万亿级向量的毫秒级相似性搜索。

向量数据去重

向量数据库去重通常是在添加时进行判断，它主要实现方式有以下几种：

1. 基于向量相似度去重。

2. 基于 Redis 唯一键去重。

3. 使用 Redis SetNX 去重。

4. 基于 Redis Set 数据结构去重。

具体实现如下。

1.基于向量相似度去重

原理：在插入前计算新向量与已有向量的余弦相似度，若超过阈值（如 0.95）则视为重复。

EmbeddingSearchRequest request = EmbeddingSearchRequest.builder()    .queryEmbedding(newEmbedding)    .maxResults(1)    .minScore(0.95) // 相似度阈值    .build();List<EmbeddingMatch<TextSegment>> matches = embeddingStore.search(request);if (matches.isEmpty()) {    embeddingStore.add(newEmbedding, textSegment);}

优点：语义级去重，适合文本内容相似但表述不同的场景。

缺点：存在线程安全问题，多任务同时执行，可能导致插入重复数据。

2.基于 Redis 唯一键去重

原理：使用文本内容的哈希值（如 MD5）作为 Redis Key 的一部分，确保唯一性。

String textHash = DigestUtils.md5Hex(textSegment.text());String redisKey = "embedding:" + textHash;if (!redisTemplate.hasKey(redisKey)) {    embeddingStore.add(newEmbedding, textSegment);    redisTemplate.opsForValue().set(redisKey, "1");}

优点：性能高，适合完全相同的文本内容。

缺点：存在线程安全问题，多任务同时执行，可能导致插入重复数据。

3.使用 Redis SetNX 去重

原理：使用 Redis 的 SETNX（set if not exists）命令，避免非原子性问题，它是先判断才插入，如果已经存在就不再插入了。

具体实现代码如下：

// 生成文本的唯一哈希（如 MD5）String textHash = DigestUtils.md5Hex(textSegment.text());String redisKey = "vector:" + textHash;// 判断是否存在Boolean isSet = redisTemplate.opsForValue()    .setIfAbsent(redisKey, "1");if (Boolean.TRUE.equals(isSet)) {    // 键不存在，保存向量数据    embeddingStore.add(embedding, textSegment);} else {    // 键已存在，跳过或报错    throw new RuntimeException("重复数据");}

优点：性能高，不存在线程安全问题。

4.基于 Redis Set 数据结构去重

原理：Set 去重，将向量 ID 或文本哈希存入 Redis Set，插入前检查是否存在。

// 生成文本的唯一哈希（如 MD5）String textHash = DigestUtils.md5Hex(textSegment.text());if (redisTemplate.opsForSet().add("unique_embeddings", textHash) == 1) {    embeddingStore.add(newEmbedding, textSegment);}

优点：简单高效，不存在线程安全问题。

缺点：需维护额外的 Set 数据结构。

小结

向量数据库去重一定是生产环境要做的事，它的解决方案也有很多，通常我们会选择一种高效、且没有线程安全的解决方案，例如 Redis SetNX 或 Set 数据结构来解决。