一、什么是向量數據庫？

向量數據庫用于存儲、檢索稠密語義向量（Embedding），是構建 RAG（檢索增強生成）系統的核心組件。它支持近似最近鄰搜索（ANN），可根據語義相似度找出最相關的文本。

---

二、Spring AI 的向量庫支持

Spring AI 提供統一接口 VectorStore，支持以下數據庫作為向量存儲：

向量數據庫	模塊依賴	特點
Redis	spring-ai-redis-store	快速、適合中小規模
PGVector	spring-ai-pgvector-store	PostgreSQL 擴展
Milvus	spring-ai-milvus-store	高性能向量引擎
Qdrant	spring-ai-qdrant-store	Rust 編寫，支持 REST

---

三、核心接口結構

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

文檔結構

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

---

四、文本轉向量底層原理

Spring AI 使用 EmbeddingClient 調用 LLM 服務（如 OpenAI）將文本轉為向量：

EmbeddingResponse embed(String input);

• 背后原理是 Transformer 模型中的 Encoder，將語義映射到向量空間
• 常用模型：text-embedding-ada-002（1536維）

---

五、以 PGVector 為例的工作流程

添加向量

EmbeddingResponse response = embeddingClient.embed("企業文化內容");
Document doc = new Document("企業文化內容", Map.of("topic", "文化"));
vectorStore.add(List.of(doc));

底層使用 SQL 插入向量字段（float8[]）：

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

查詢向量

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

生成查詢 embedding，執行 SQL：

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

---

六、RAG 實戰項目結構（Spring AI）

項目目標：上傳知識文檔，生成向量庫，用戶提問返回智能回答。

項目結構

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

---

配置類

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

---

TextSplitter 工具類

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("你是公司智能問答助手，請結合提供的資料回答問題。").user("資料如下：\n" + context + "\n\n問題：" + 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 "文檔已上傳并向量化";}@GetMapping("/ask")public String ask(@RequestParam String question) {return ragService.ask(question);}
}

---

七、向量庫選擇建議

使用場景	推薦向量庫	原因
小型項目 / 內存快讀	Redis	部署輕便，速度快
需要持久化 + 查詢	PGVector	SQL 強大，易集成 PostgreSQL 項目
大規模檢索系統	Milvus/Qdrant	高并發 + ANN 檢索優化

---

八、可視化與測試工具

• RedisInsight 查看 Redis 向量數據
• pgAdmin/Beekeeper 查看 PG 向量字段
• Qdrant Console / Milvus UI

---

九、RAG 流程圖

---

十、總結

• Spring AI 使用統一的 VectorStore 接口封裝向量數據庫操作
• 向量生成通過 EmbeddingClient 與 OpenAI/Ollama 接口
• 可基于向量檢索構建 RAG 問答系統，支持常見向量庫（PGVector、Redis、Milvus）
• Java 開發者可零門檻快速搭建企業級智能問答系統