SpringAI版本更新：向量数据库不可用的解决方案！

磊哥

发布于 2025-04-17 05:07:02

23000

代码可运行

文章被收录于专栏：王磊的博客王磊的博客

运行总次数：0

代码可运行

Spring AI 前两天（4.10 日）更新了 1.0.0-M7 版本后，原来的 SimpleVectorStore 内存级别的向量数据库就不能用了，Spring AI 将其全部源码删除了。

此时我们就需要一种成本更低的解决方案来解决这个问题，如何解决呢？我们一起来看。

解决方案：Redis 向量数据库

虽然 SimpleVectorStore 不支持了，但 Spring AI 内置了 Redis 或 ES 作为向量数据库的分布式存储中间件，我们可以用他们来进行向量的存储。

而在这两种方案中，显然 Redis 使用成本更低，因此，我们来看如何将向量存储到 Redis 数据库中。

它的具体实现步骤如下。

安装Redis-Stack

下载 Docker Hub：

安装 redis-stack-server：使用“docker run -d --name redis-stack-server -p 6379:6379 redis/redis-stack-server”。

添加依赖

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，我们需要添加 OpenAI 和 Redis Vector 依赖：

<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-starter-vector-store-redis</artifactId>
</dependency>

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

设置配置信息

配置 Redis 连接信息，以及嵌入模型的配置信息：

spring:
  data:
    redis:
      host: localhost
      port: 6379
  ai:
    vectorstore:
      redis:
        initialize-schema: true
        index-name: custom-index
        prefix: custom-prefix
    openai:
      api-key: ${ALIYUN-AK}
      embedding:
        options:
          model: text-embedding-v3

阿里云百炼平台支持的向量模型：

代码实现

Redis 添加向量数据

@Autowired
private VectorStore vectorStore;

// 构建数据
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。

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。

执行结果如下：

查询向量数据

@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;
    }
}