132-Spring AI Alibaba Vector Neo4j 示例

rengang662025-10-31 6:04

本示例演示如何使用 Spring AI Alibaba 与 Neo4j 向量数据库集成，实现向量存储、检索和过滤功能。通过本示例，您将了解如何构建一个基于 Neo4j 的向量存储系统，并使用它来存储文档和执行相似性搜索。

1. 示例目标

我们将创建一个 Spring Boot 应用，实现以下功能：

  1. 文档向量存储 (/vector/neo4j/add)：将文档转换为向量并存储到 Neo4j 数据库中。
  2. 相似性搜索 (/vector/neo4j/search)：根据查询文本在 Neo4j 中搜索相似的文档。
  3. 过滤删除 (/vector/neo4j/delete-filter)：使用过滤条件删除 Neo4j 中的文档。

2. 技术栈与核心依赖

  • Spring Boot 3.x
  • Spring AI Alibaba (用于对接阿里云 DashScope 通义大模型)
  • Spring AI Neo4j Vector Store (用于 Neo4j 向量存储)
  • Neo4j (图数据库，用于存储向量数据)
  • Maven (项目构建工具)

在 pom.xml 中，你需要引入以下核心依赖：

复制代码 
<dependencies>
    <!-- Spring AI Alibaba 核心启动器，集成 DashScope -->
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
    </dependency>
    
    <!-- Spring Web 用于构建 RESTful API -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    
    <!-- Spring AI Vector Store 核心功能 -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-vector-store</artifactId>
    </dependency>
    
    <!-- Spring AI Neo4j Vector Store 启动器 -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-starter-vector-store-neo4j</artifactId>
    </dependency>
</dependencies>

3. 项目配置

在 src/main/resources/application.yml 文件中，配置 DashScope API Key 和 Neo4j 连接信息。

复制代码 
server:
  port: 8080

spring:
  application:
    name: vector-neo4j

  ai:
    dashscope:
      api-key: ${AI_DASHSCOPE_API_KEY} # 建议使用环境变量，更安全

    vectorstore:
      neo4j:
        initialize-schema: true
        database-name: neo4j
        index-name: yingzi_index
        embedding-dimension: 1536
        distance-type: cosine

  neo4j:
    uri: bolt://localhost:7687
    authentication:
      username: neo4j
      password: yingzi_password

重要提示：

  • 请将 AI_DASHSCOPE_API_KEY 环境变量设置为你从阿里云获取的有效 API Key。
  • 确保 Neo4j 数据库已安装并运行在本地，默认端口为 7687。
  • 根据你的 Neo4j 配置，修改用户名和密码。

4. Neo4j 配置类

创建 Neo4jConfig.java 配置类，用于配置 Neo4j 驱动和向量存储：

复制代码 
package com.alibaba.cloud.ai.example.vector.neo4j.config;

import org.neo4j.driver.AuthTokens;
import org.neo4j.driver.Driver;
import org.neo4j.driver.GraphDatabase;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.ai.embedding.EmbeddingModel;
import org.springframework.ai.embedding.TokenCountBatchingStrategy;
import org.springframework.ai.vectorstore.neo4j.Neo4jVectorStore;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class Neo4jConfig {

    private static final Logger logger = LoggerFactory.getLogger(Neo4jConfig.class);

    @Value("${spring.neo4j.uri}")
    private String uri;
    @Value("${spring.neo4j.authentication.username}")
    private String username;
    @Value("${spring.neo4j.authentication.password}")
    private String password;

    @Value("${spring.ai.vectorstore.neo4j.database-name}")
    private String databaseName;
    @Value("${spring.ai.vectorstore.neo4j.distance-type}")
    private Neo4jVectorStore.Neo4jDistanceType distanceType;
    @Value("${spring.ai.vectorstore.neo4j.index-name}")
    private String indexName;
    @Value("${spring.ai.vectorstore.neo4j.initialize-schema}")
    private boolean initializeSchema;
    @Value("${spring.ai.vectorstore.neo4j.embedding-dimension}")
    private int embeddingDimension;

    @Bean
    public Driver driver() {
        return GraphDatabase.driver(uri,
                AuthTokens.basic(username, password));
    }

    @Bean(name = "neo4jVectorStore")
    public Neo4jVectorStore vectorStore(Driver driver, EmbeddingModel embeddingModel) {
        logger.info("create neo4j vector store");

        return Neo4jVectorStore.builder(driver, embeddingModel)
                .databaseName(databaseName)                // Optional: defaults to "neo4j"
                .distanceType(distanceType) // Optional: defaults to COSINE
                .embeddingDimension(embeddingDimension)    // Optional: defaults to 1536
                .label("Document")                     // Optional: defaults to "Document"
                .embeddingProperty("embedding")        // Optional: defaults to "embedding"
                .indexName(indexName)             // Optional: defaults to "spring-ai-document-index"
                .initializeSchema(initializeSchema)                // Optional: defaults to false
                .batchingStrategy(new TokenCountBatchingStrategy()) // Optional: defaults to TokenCountBatchingStrategy
                .build();
    }
}

5. 控制器实现

创建 Neo4jController.java 控制器类，实现向量存储和检索功能：

复制代码 
package com.alibaba.cloud.ai.example.vector.neo4j.controller;

import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.ai.document.Document;
import org.springframework.ai.vectorstore.SearchRequest;
import org.springframework.ai.vectorstore.filter.Filter;
import org.springframework.ai.vectorstore.filter.FilterExpressionBuilder;
import org.springframework.ai.vectorstore.neo4j.Neo4jVectorStore;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.beans.factory.annotation.Qualifier;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

import java.util.HashMap;
import java.util.List;
import java.util.Map;

@RestController
@RequestMapping("/vector/neo4j")
public class Neo4jController {

    private static final Logger logger = LoggerFactory.getLogger(Neo4jController.class);
    private final Neo4jVectorStore neo4jVectorStore;

    @Autowired
    public Neo4jController(@Qualifier("neo4jVectorStore") Neo4jVectorStore neo4jVectorStore) {
        this.neo4jVectorStore = neo4jVectorStore;
    }

    @GetMapping("/add")
    public void add() {
        logger.info("start import data");

        HashMap<String, Object> map = new HashMap<>();
        map.put("id", "12345");
        map.put("year", 2025);
        map.put("name", "yingzi");
        List<Document> documents = List.of(
                new Document("The World is Big and Salvation Lurks Around the Corner"),
                new Document("You walk forward facing the past and you turn back toward the future.", Map.of("year", 2024)),
                new Document("Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!!", map));
        neo4jVectorStore.add(documents);
    }

    @GetMapping("/search")
    public List<Document> search() {
        logger.info("start search data");
        return neo4jVectorStore.similaritySearch(SearchRequest
                .builder()
                .query("Spring")
                .topK(2)
                .build());
    }

    @GetMapping("delete-filter")
    public void deleteFilter() {
        logger.info("start delete data with filter");
        FilterExpressionBuilder b = new FilterExpressionBuilder();
        Filter.Expression expression = b.and(
                b.in("year", 2025, 2024),
                b.eq("name", "yingzi")
        ).build();

        neo4jVectorStore.delete(expression);
    }
}

6. 主应用类

创建主应用类 VectorNeo4jApplication.java：

复制代码 
package com.alibaba.cloud.ai.example.vector.neo4j;

import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;

@SpringBootApplication
public class VectorNeo4jApplication {

    public static void main(String[] args) {
        SpringApplication.run(VectorNeo4jApplication.class, args);
    }
}

7. 运行与测试

  1. 启动 Neo4j 数据库：确保 Neo4j 数据库已安装并运行。
  2. 设置环境变量 ：设置 AI_DASHSCOPE_API_KEY 环境变量。
  3. 启动应用：运行 Spring Boot 主程序。
  4. 使用浏览器或 API 工具（如 Postman, curl）进行测试。

测试 1：添加文档到向量存储

访问以下 URL，将示例文档添加到 Neo4j 向量存储中：

复制代码 
http://localhost:8080/vector/neo4j/add

预期响应：无返回内容，但日志会显示 "start import data"。

测试 2：搜索相似文档

访问以下 URL，搜索与 "Spring" 相关的文档：

复制代码 
http://localhost:8080/vector/neo4j/search

预期响应：返回与查询最相似的前 2 个文档的 JSON 数组：

复制代码 
[
  {
    "content": "Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!!",
    "metadata": {
      "id": "12345",
      "year": 2025,
      "name": "yingzi"
    },
    "id": "...",
    "score": 0.9...
  },
  {
    "content": "The World is Big and Salvation Lurks Around the Corner",
    "metadata": {},
    "id": "...",
    "score": 0.7...
  }
]

测试 3：使用过滤器删除文档

访问以下 URL，删除符合特定条件的文档：

复制代码 
http://localhost:8080/vector/neo4j/delete-filter

预期响应：无返回内容，但日志会显示 "start delete data with filter"。

此操作将删除所有满足以下条件的文档：

  • 元数据中 "year" 字段为 2025 或 2024
  • 元数据中 "name" 字段为 "yingzi"

8. 实现思路与扩展建议

实现思路

本示例的核心是利用 Neo4j 作为向量数据库，实现文档的向量化存储和相似性检索。主要思路包括：

  • 向量化存储：将文本文档通过嵌入模型转换为向量，并存储在 Neo4j 中。
  • 相似性搜索：将查询文本转换为向量，在 Neo4j 中找到最相似的文档。
  • 元数据过滤：使用元数据属性对文档进行过滤和删除操作。

扩展建议

  • 批量导入：实现从文件系统或数据库批量导入文档到向量存储。
  • 高级过滤：支持更复杂的过滤条件，如范围查询、模糊匹配等。
  • 向量可视化：集成向量可视化工具，帮助理解向量空间中的文档分布。
  • 性能优化：针对大规模文档集，实现分批处理和异步操作。
  • 多模态支持：扩展支持图像、音频等多模态数据的向量化存储和检索。
  • 集成 RAG 系统：将向量检索与生成式 AI 结合，构建完整的检索增强生成系统。
相关推荐
回眸&啤酒鸭1 天前
【回眸】Minicart 电商购物车核心功能落地指南
人工智能
一隅论数智1 天前
给AI一张“业务概念地图“：本体如何从哲学走向企业智能
大数据·人工智能·经验分享·笔记·学习·学习方法·政务
AI的探索之旅1 天前
97 个 OpenCV 实例（三十）：双目立体，从标定到点云
人工智能·opencv·计算机视觉
AlbertZein1 天前
Step-5-Preview 上手实测：3D 游戏、金融分析、网页设计一次跑完
人工智能·aigc
LaughingZhu1 天前
Product Hunt 每日热榜 | 2026-09-19
人工智能·深度学习·神经网络·搜索引擎·百度
美狐美颜SDK开放平台1 天前
开发直播APP时如何接入视频美颜SDK？开发流程与注意事项
android·人工智能·计算机视觉·音视频·直播美颜sdk
wukangjupingbb1 天前
智能网联汽车安全能力框架
人工智能
龙亘川1 天前
明月照湾区，智启新赛道：从顶流文旅IP盛会看智慧文旅升级路径
人工智能·智慧城市·开源软件·数据可视化
飞猫的边缘AI1 天前
边缘AI应用：家用AI摄像头怎么做数据训练？
人工智能·边缘计算·ai算法·边缘ai
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02GitHub 镜像站点03历年考研数学一、数学二、数学三真题试卷及答案PDF04蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接05Telegram APK 下载安装完整指南 — 2026年最新06微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新072026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？082026 爱知・名古屋亚运会怎么看？直播平台+赛程安排分享09昇腾910B系列芯片完全指南：四款型号对比、服务器选型与大模型部署实战10人工智能（AI）发展史：详细里程碑