SpringAI更新：向量数据库不可用的解决方案！
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：https://www.docker.com/get-started/
图片
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：
复制
<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>1.2.3.4.5.6.7.8.9.
设置配置信息
配置 Redis 连接信息，以及嵌入模型的配置信息：
复制
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-v31.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.
阿里云百炼平台支持的向量模型：
图片
代码实现
Redis 添加向量数据
复制
@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);1.2.3.4.5.6.7.8.9.
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(Listdocuments)：添加文档。delete(ListidList)：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：
图片
查询向量数据
复制
@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;
}
}1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.
执行结果如下：
图片
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：
图片
阅读剩余
THE END
