向量數據庫是AI系統中常用的工具，主要用來存儲文檔片段及進行語義相似度查找

與傳統數據庫不同，它執行的是相似度查找而不是精確匹配

最小化樣例

首先在application.properties中，根據所用Embedding模型，添加一個嵌入式模型型號的配置

spring.ai.zhipuai.embedding.options.model=embedding-3

然后需要聲明一個VectorStore的bean，需要傳入的EmbeddingModel（ZhiPuAiEmbeddingModel）在自動化配置包中已經聲明過了（參見ZhiPuAiEmbeddingAutoConfiguration）

@Configuration
public class Config {@Beanpublic VectorStore vectorStore(EmbeddingModel embeddingModel) {return SimpleVectorStore.builder(embeddingModel).build();}
}

之后就可以裝配使用了，樣例中使用add方法添加了一個Document，然后使用similaritySearch進行語義相近搜索，并返回結果文本

    @AutowiredVectorStore vectorStore;void save(){//目前僅提供JsonReader和TextReaderDocument document = new Document("kitty is a cat");vectorStore.add(List.of(document));}@GetMapping("/ai/vector")String generation(String userInput){save();return this.vectorStore.similaritySearch(userInput).get(0).getText();}

在實際生產中，一般分為兩步使用：

數據預處理：將信息資料（比如一些規章制度或其他領域的文件，包括docx、pdf等格式）加載到VectorStore中

處理用戶查詢：搜索與用戶問題語義相近的片段，之后一起傳遞給大模型，由大模型綜合搜索結果進行回答

進階知識

了解了如何使用，我們來看一下其內部原理和相關接口及實現類，以及如何進行技術選型?

作用原理

VectorStore中內置一個嵌入式大模型，數據預處理階段加載到向量數據庫中的每個文檔片段，會由EmbeddingModel加工為一個浮點數數組（即多維向量）

在處理用戶查詢時，EmbeddingModel同樣先將用戶查詢的文本加工為一個多維向量，然后向量數據庫將其與庫內每個多維向量進行匹配，得到相似度數值，相似度越接近0越不相關，越接近1越相關。

相關接口及實現

接口	VectorStore	BatchingStrategy
方法	void add(List<Document> docs); List<Document> similaritySearch(SearchRequest request);	List<List<Document>> batch(List<Document docs);
實現類	AbstractObservationVectorStore SimpleVectorStore	TokenCountBatchingStrategy

VectorStore接口:向量數據庫接口，主要方法即add和similaritySearch，分別對應數據預處理和相似性查找

AbstractObservationVectorStore：VectorStore的抽象實現類，內部包含EmbeddingModel和BatchingStrategy，分別用來將Document向量化和切分Document，同時負責可觀測性Observation相關的處理

SimpleVectorStore：一個簡單的向量數據庫實現，不建議用在生產，適合用來進行教學，內部實現了一個EmbeddingMath，用來計算兩個向量的相似度

Document：相似性查找的結果對象，文檔或文檔片段，內部包含id、文檔文本、得分等屬性

SearchRequest：相似性查找請求對象，內部包含請求文本query，結果最大條數topK，最低相似度閾值similarityThreshold，篩選表達式filterExpression等

BatchingStrategy接口：文檔切分策略接口，提供batch方法，將長文本切分為一系列的小文本

TokenCountBatchingStrategy：按token個數對Document進行切分

其他框架的相關功能

spring-ai的VectorStore實際已經涉及了RAG（檢索增強生成）的各個方面，例如文檔切分、向量化、存儲、相似性查找等功能

在這些環節，有許多可以提高最終效果的優化方案

例如langchain的切分策略，除了按token個數進行切分，還可以按字符切分，比如按【換行符，句號，分號，逗號】的順序對文檔切分，這樣能更好的保持語義完整性。

而spring-ai由于起步較晚，此類擴展相對還比較少。

相關優化方案會在后續RAG篇進階知識中進行詳細的說明。

向量數據庫選型

spring-ai支持的向量數據庫：

可以參考VectorStoreProvider枚舉類，目前該枚舉類已經有21種向量數據庫

選型時需要考慮的因素：

是否開源：這是相對來說首先需要考慮的一個方面，因為它決定了很多其他因素，開源一般都伴隨著這些屬性——免費、社區活躍、可以進行定制化改造、維護難度相對較高、需要有自己的研發人員，而閉源則一般伴隨著這些屬性——收費、易用、由廠家提供維護等。

數據規模：其次需要考慮的就是數據規模，因為它也決定了許多其他因素，如果數據量較大，向量維度較高，則需要考慮向量數據庫是否支持大規模或超大規模，是否支持分布式，是否支持索引，搜索性能如何等。

其他因素：如是否國產、云上還是云下、是否需要結合其他檢索如全文搜索、與現有系統的兼容性、易用性等

學習時可以直接使用spring-ai自帶的SimpleVectorStore或者FAISS、Chroma