SpringAI基于内存存储向量

一、环境信息

1、参看如下：

二、测试使用

1、创建SimpleVectorStore

java 复制代码

public interface VectorStore extends DocumentWriter {
    default String getName() {
        return this.getClass().getSimpleName();
    }

    void add(List<Document> documents);

    default void accept(List<Document> documents) {
        this.add(documents);
    }

    void delete(List<String> idList);

    void delete(Filter.Expression filterExpression);

    default void delete(String filterExpression) {
        SearchRequest searchRequest = SearchRequest.builder().filterExpression(filterExpression).build();
        Filter.Expression textExpression = searchRequest.getFilterExpression();
        Assert.notNull(textExpression, "Filter expression must not be null");
        this.delete(textExpression);
    }

    @Nullable
    List<Document> similaritySearch(SearchRequest request);

    @Nullable
    default List<Document> similaritySearch(String query) {
        return this.similaritySearch(SearchRequest.builder().query(query).build());
    }

    default <T> Optional<T> getNativeClient() {
        return Optional.empty();
    }

    public interface Builder<T extends Builder<T>> {
        T observationRegistry(ObservationRegistry observationRegistry);

        T customObservationConvention(VectorStoreObservationConvention convention);

        T batchingStrategy(BatchingStrategy batchingStrategy);

        VectorStore build();
    }
}

java 复制代码

    /**
     * 向量模型配置VectorStore
     * @return
     */
    @Bean
    public VectorStore vectorStore(){
        DashScopeEmbeddingModel model = new DashScopeEmbeddingModel(new DashScopeApi(apiKey));
        SimpleVectorStore vectorStore = SimpleVectorStore.builder(model)
                .build();
        return vectorStore;
    }

2、控制器测试

java 复制代码

package org.spring.springaiprojet.controller;

import com.alibaba.cloud.ai.dashscope.api.DashScopeApi;
import com.alibaba.cloud.ai.dashscope.embedding.DashScopeEmbeddingModel;
import org.springframework.ai.document.Document;
import org.springframework.ai.vectorstore.SimpleVectorStore;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.core.io.ClassPathResource;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.util.Arrays;
import java.util.List;

@RestController
@RequestMapping("/ai/")
public class AiVectorController {

    @Autowired
    private VectorStore vectorStore;

    @RequestMapping("/qwen/vector/api")
    public String vector() throws IOException {
        StringBuilder text = new StringBuilder();
        ClassLoader classLoader = getClass().getClassLoader();
        InputStream inputStream = classLoader.getResourceAsStream("springai.txt");
        ClassPathResource classPathResource = new ClassPathResource("springai.txt");
        try (BufferedReader reader = new BufferedReader(new InputStreamReader(inputStream))){
            String line;
            while ((line = reader.readLine()) != null){
                text.append(line);
            }
        }
        List<Document> list = Arrays.stream(text.toString().split("。")).map(Document::new).toList();
       // 存储向量,内部会自动向量化
        vectorStore.add(list);
        // 相似性检索,similaritySearch实现
        List<Document> documentList = vectorStore.similaritySearch("文本");
        for(Document document : documentList){
            System.out.println(document.getText());
            System.out.println(document.getScore());
            System.out.println("-----------------");
        }
        return "success";
    }

3、测试文件内容如下：springai.txt

XML 复制代码

SpringAI 是 Spring 官方推出的 AI 应用开发框架，通过提供统一的 API 抽象简化 AI 模型（如大语言模型、嵌入模型）与 Spring 生态的集成，支持多类 AI 服务（OpenAI、Azure OpenAI、Hugging Face 等）和向量存储（Redis、Milvus 等），让开发者聚焦业务逻辑。其核心组件按功能可分为‌数据处理、模型交互、向量存储、工具集成‌等维度，各组件分工明确以支撑 AI 应用开发全流程：

一、数据处理组件
数据是 AI 应用的基石，SpringAI 提供工具帮助开发者处理和准备数据，核心逻辑包括：

‌数据预处理‌：对原始数据进行清洗、格式转换、特征提取等操作，为后续 AI 模型训练或推理提供合规输入。
‌数据存储与管理‌：整合向量存储（如 Redis、Milvus）等技术，实现嵌入向量的存储与相似性检索（核心用于 RAG 场景），确保数据高效存取与检索。
二、模型交互组件
模型交互是 AI 应用的核心环节，SpringAI 通过统一接口屏蔽不同厂商（OpenAI、Anthropic 等）的差异，核心功能包括：

‌模型抽象‌：将大语言模型、嵌入模型等抽象为统一接口，开发者无需关注底层实现细节，直接调用接口即可完成模型调用。
‌提示与响应管理‌：支持提示文本（Prompt Text）和系统消息（System Message）的动态生成与管理，同时处理模型返回的响应（包含生成文本、元数据等），确保交互流程标准化。
三、向量存储组件
向量存储是 RAG（Retrieval Augmented Generation）场景的核心，SpringAI 提供工具支持向量存储的‌存储、检索、管理‌全流程：

‌存储‌：将文本的嵌入向量存储到 Redis、Milvus 等存储系统，为后续检索提供数据基础。
‌检索‌：基于向量相似性算法（如余弦相似度）快速定位与输入文本最相关的向量，支撑 RAG 场景下的知识检索。
‌管理‌：提供向量存储的生命周期管理（如创建、更新、删除），确保存储系统的高效与稳定。
四、工具集成组件
工具集成是 AI 应用扩展能力的关键，SpringAI 支持‌函数调用（Function Calling）‌等机制，核心逻辑包括：

‌工具注册‌：开发者可注册外部工具（如数据库查询、API 调用），让模型根据问题自动调用工具获取信息。
‌调用机制‌：通过统一接口调用注册工具，模型可基于问题自动触发工具执行，实现"AI + 工具"的协同工作流。
五、环境与生态组件
SpringAI 基于 Spring Boot 构建，通过‌Starters 引入依赖‌简化环境搭建，核心优势包括：

‌依赖管理‌：通过 Maven/Gradle 的 Starters 依赖，快速引入 SpringAI 及其生态组件，避免版本兼容性问题。
‌生态整合‌：无缝集成 Spring Boot、Spring Web、Spring Data 等现有 Spring 组件，开发者可复用 Spring 生态的开发经验，快速构建 AI 驱动的应用。
六、其他组件（如评估器 - 优化器）
部分组件（如评估器 - 优化器）聚焦‌模型评估与优化‌，核心逻辑包括：

‌评估‌：对模型生成内容的准确性和相关性进行评估，为优化提供数据依据。
‌优化‌：基于评估结果调整模型参数或流程，持续提升 AI 应用的性能与效果。
SpringAI 的组件设计遵循"简化开发、聚焦业务"的理念，通过各组件的分工协作，帮助开发者高效构建 AI 驱动的应用，同时保障技术栈的稳定性与可扩展性。

4、测试内容如下：

XML 复制代码

GET http://localhost:8088/boot/ai/qwen/vector/api

5、基于SearchRequest实现

java 复制代码

        SearchRequest request= SearchRequest.builder().query("文本")
                .topK(1)
                .similarityThreshold(0.2).build();