Spring AI中的VectorStore是一種用于存儲(chǔ)和檢索高維向量數(shù)據(jù)的數(shù)據(jù)庫(kù)或存儲(chǔ)解決方案，它在AI應(yīng)用中扮演著至關(guān)重要的角色。以下是對(duì)Spring AI VectorStore的詳細(xì)解析：

一、VectorStore的基本概念

定義：VectorStore特別適用于處理那些經(jīng)過(guò)嵌入模型轉(zhuǎn)化后的數(shù)據(jù)。在VectorStore中，查詢與傳統(tǒng)關(guān)系數(shù)據(jù)庫(kù)不同，它執(zhí)行的是相似性搜索，而非精確匹配。當(dāng)給定向量作為查詢時(shí)，它會(huì)返回與查詢向量“相似”的向量。
應(yīng)用場(chǎng)景：VectorStore主要用于將數(shù)據(jù)與AI模型集成。它存儲(chǔ)并支持對(duì)這些向量的相似性搜索，為AI模型提供豐富的上下文信息，從而實(shí)現(xiàn)更精確、更智能的回復(fù)。這種技術(shù)被稱為檢索增強(qiáng)生成（Retrieval Augmented Generation，RAG）。

二、VectorStore的核心接口

Spring AI框架通過(guò)VectorStore接口為向量數(shù)據(jù)庫(kù)交互提供了抽象化的API。VectorStore接口定義了以下核心操作：

• 添加文檔：void add(List documents)，將文檔添加到向量數(shù)據(jù)庫(kù)中。
• 刪除文檔：Optional delete(List idList)，從向量數(shù)據(jù)庫(kù)中刪除指定ID的文檔。
• 相似性搜索：
  • List similaritySearch(String query)，根據(jù)查詢字符串進(jìn)行相似性搜索，返回相似的文檔列表。
  • List similaritySearch(SearchRequest request)，根據(jù)SearchRequest對(duì)象進(jìn)行更復(fù)雜的相似性搜索。其中，SearchRequest對(duì)象允許開發(fā)者微調(diào)相似性搜索的參數(shù)，如指定要返回的相似文檔的最大數(shù)量（topK）、相似度閾值（threshold）以及基于元數(shù)據(jù)的過(guò)濾表達(dá)式（filterExpression）。

三、VectorStore的使用流程

• 數(shù)據(jù)準(zhǔn)備：在將文檔存儲(chǔ)到向量數(shù)據(jù)庫(kù)之前，需要先將文檔內(nèi)容轉(zhuǎn)換為向量嵌入。Spring AI框架支持多種嵌入模型，如Word2Vec、GLoVE、BERT以及OpenAI的text-embedding-ada-002等。開發(fā)者可以根據(jù)自己的需求選擇合適的嵌入模型。
• 文檔嵌入：利用Spring AI框架提供的EmbeddingClient將文檔轉(zhuǎn)換為向量嵌入。存儲(chǔ)到VectorStore：將轉(zhuǎn)換后的向量嵌入存儲(chǔ)到VectorStore中。
• 相似性搜索：當(dāng)用戶發(fā)起查詢時(shí)，Spring AI框架會(huì)自動(dòng)將查詢字符串轉(zhuǎn)換為向量，并在VectorStore中執(zhí)行相似性搜索，返回與查詢向量最相似的文檔列表。
• AI模型處理：將這些相似的文檔作為用戶問(wèn)題的上下文信息，與用戶的查詢一起發(fā)送到AI模型中進(jìn)行處理，從而實(shí)現(xiàn)更精確、更智能的回復(fù)。

四、Spring AI與VectorStore的集成案例

以基于Spring AI框架的聊天機(jī)器人項(xiàng)目為例，該項(xiàng)目需要實(shí)現(xiàn)根據(jù)用戶提供的文檔數(shù)據(jù)進(jìn)行回復(fù)的功能。由于對(duì)話有最大Token的限制，無(wú)法直接將所有的數(shù)據(jù)發(fā)給AI模型進(jìn)行處理。因此，決定采用數(shù)據(jù)向量化的方式，將文檔數(shù)據(jù)存儲(chǔ)到VectorStore中，并在用戶發(fā)起對(duì)話之前從VectorStore中檢索一組相似的文檔作為上下文信息。具體實(shí)現(xiàn)步驟如下：

• 引入依賴：在項(xiàng)目的pom.xml文件中引入Spring AI框架以及向量數(shù)據(jù)庫(kù)相關(guān)的依賴。
• 配置VectorStore：在application.properties或application.yml文件中配置VectorStore的連接信息以及嵌入模型等參數(shù)。
• 創(chuàng)建文檔嵌入服務(wù)：利用Spring AI框架提供的EmbeddingClient將文檔轉(zhuǎn)換為向量嵌入，并存儲(chǔ)到VectorStore中。
• 實(shí)現(xiàn)相似性搜索：在用戶發(fā)起對(duì)話之前，從VectorStore中檢索一組相似的文檔作為上下文信息。
• 整合AI模型：將檢索到的上下文信息與用戶的查詢一起發(fā)送到AI模型中進(jìn)行處理，并返回處理結(jié)果給用戶。

五、VectorStore&ES8

1、添加依賴

首先，在Spring Boot項(xiàng)目的構(gòu)建文件中（如pom.xml對(duì)于Maven項(xiàng)目，或build.gradle對(duì)于Gradle項(xiàng)目）添加Elasticsearch客戶端的依賴。由于Spring AI框架可能不直接支持Elasticsearch作為VectorStore，需要使用Elasticsearch的Java客戶端庫(kù)來(lái)與Elasticsearch進(jìn)行交互。

<!-- Maven 示例 -->
<dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-elasticsearch-store</artifactId>
            <version>${spring-ai.version}</version>
        </dependency>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-elasticsearch-store-spring-boot-starter</artifactId>
            <version>${spring-ai.version}</version>
        </dependency>

2、配置Elasticsearch連接

在Spring Boot的配置文件中（如application.properties或application.yml），配置Elasticsearch的連接信息，包括集群地址、端口和可能的認(rèn)證信息。

spring:
  profiles:
    active: druid
  elasticsearch:
    uris: http://127.0.0.1:9200/      #請(qǐng)改成自己的路徑
  ai:
    ollama:
      base-url: http://localhost:11434
      embedding:
        model: llama3.2
    vectorstore:
      elasticsearch:
        initialize-schema: true         #請(qǐng)不要修改此配置
        index-name: zixiai           #這是 zixiai 默認(rèn)的索引，請(qǐng)不要修改或刪除
        dimensions: 2048                #不要修改這個(gè)配置，與具體大模型本身的維度參數(shù)有關(guān)系
        similarity: cosine
        batching-strategy: TOKEN_COUNT 

3、業(yè)務(wù)代碼

    @Override
    public String embed(String msg, Set<String> fileIds) {
        log.debug("embedding... {}", msg);
        Set<String> finalFileIds = (fileIds == null) ? new HashSet<>() : fileIds;
        List<Document> st = vectorStore.similaritySearch(SearchRequest.builder().query(msg).topK(5).build());
//                .similaritySearch(SearchRequest.query(msg).withTopK(5));
        // 首先查詢向量庫(kù)
        String promptContent = null;
        if (!CollectionUtils.isEmpty(st)) {
            promptContent = st.stream()
                    .filter(doc -> {
                        if (CollectionUtils.isEmpty(finalFileIds)) {
                            return true;
                        }
                        Object fileIdObject = doc.getMetadata().get("file_id");
                        String docFileId = fileIdObject != null ? fileIdObject.toString() : null;
                        return finalFileIds.contains(docFileId);
                    })
                    .map(Document::getText)
                    .filter(StringUtils::hasText)
                    .collect(Collectors.joining(" "));
        }
        // 確保 promptContent 不為空
        if (!StringUtils.hasText(promptContent)) {
            promptContent = "No information found in the database.";
        }
        log.debug("Prompt content: {}", promptContent);
        return chatClient
                .prompt(promptContent)
                .user(msg)
                .call()
                .content();
    }

詳細(xì)樣例代碼：樣例

綜上所述，Spring AI中的
VectorStore為開發(fā)者提供了高效、靈活的向量數(shù)據(jù)存儲(chǔ)與檢索解決方案。通過(guò)集成VectorStore，開發(fā)者可以輕松實(shí)現(xiàn)AI應(yīng)用中的相似性搜索功能，從而提升應(yīng)用的智能化水平和用戶體驗(yàn)。

到此這篇關(guān)于Spring AI ectorStore的文章就介紹到這了,更多相關(guān)Spring AI ectorStore內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論