Spring AI 1.x 系列【30】向量数据库：核心 API 和入门案例

云烟成雨TD2026-04-30 10:00

文章目录

  • [1. 概述](#1. 概述)
  • [2. API 概述](#2. API 概述)
    • [2.1 VectorStoreRetriever 接口](#2.1 VectorStoreRetriever 接口)
    • [2.2 VectorStore 接口](#2.2 VectorStore 接口)
    • [2.3 SearchRequest 构建器](#2.3 SearchRequest 构建器)
  • [3. 集成 Milvus 向量数据库](#3. 集成 Milvus 向量数据库)
    • [3.1 Milvus 简介](#3.1 Milvus 简介)
    • [3.2 Docker Compose 部署](#3.2 Docker Compose 部署)
    • [3.3 自动配置（推荐）](#3.3 自动配置（推荐）)
      • [3.3.1 依赖引入](#3.3.1 依赖引入)
      • [3.3.2 YAML 配置](#3.3.2 YAML 配置)
      • [3.3.3 完整配置参数](#3.3.3 完整配置参数)
      • [3.3.4 MilvusVectorStoreAutoConfiguration](#3.3.4 MilvusVectorStoreAutoConfiguration)
    • [3.4 业务方法](#3.4 业务方法)

1. 概述

向量数据库是面向 AI 原生场景设计的专用数据库系统，核心用于高维向量存储、向量索引构建、海量相似度检索。

与传统关系型数据库、文档数据库存在本质差异：

  • 传统数据库：依赖关键词、字段的精确匹配完成查询，无法理解数据间的语义关联；
  • 向量数据库 ：依托高维空间几何运算与近似最近邻索引算法（ANN），以向量相似度计算为核心能力，实现语义级模糊检索、特征聚类、内容匹配等高级能力。

向量数据库是实现检索增强生成 （RAG）的核心基础设施，解决 AI 模型无法直接访问私有数据、知识滞后的问题，核心流程如下：

  1. 数据预处理与入库：将私有文档、知识库数据转换为高维向量，存储到向量数据库中，并关联元数据；
  2. 用户提问向量化 ：用户输入的问题通过 Embedding 模型转换为查询向量；
  3. 相似度检索：向量数据库基于查询向量进行相似度搜索，召回与问题语义最相关的文档片段；
  4. 上下文拼接与生成：将召回的文档片段作为上下文，与用户问题一同发送给大语言模型，生成基于私有数据的精准回答。

2026 年主流向量数据库对比（按热度与生态成熟度排序）：

名称 来源 核心优势 适用场景
Milvus 中国Zilliz（星爵科技）研发，LF AI & Data基金会毕业项目 全球最活跃的企业级开源向量库，分布式、云原生架构，支持千亿级向量，国内生态完善，与Spring AI、LangChain、LlamaIndex深度集成 企业级私有化部署、大规模RAG生产落地、分布式向量检索
Pinecone 美国Pinecone Inc.（2019年成立） 全托管SaaS向量库开创者，零运维、全球多区域部署，自动扩缩容，OpenAI/Anthropic官方推荐 快速原型开发、企业级全托管场景、全球化AI应用
Qdrant 俄罗斯Qdrant Solutions GmbH，Rust开发 极致性能（p50延迟约4ms，多项基准测试领先），轻量二进制部署，过滤能力强，社区增长极快 高并发低延迟场景、高性能向量检索、轻量部署
Weaviate 荷兰Weaviate B.V.（2019年开源） 向量+知识图谱（RDF）混合引擎，语义理解能力强，内置RAG、多模态与混合搜索（向量+BM25）能力成熟 知识图谱场景、多模态语义检索、金融/医疗复杂语义场景
pgvector 开源项目，由Andrew Kane主导开发，PostgreSQL扩展 无需新增组件，直接在现有PostgreSQL上扩展向量能力，完整支持ACID事务与SQL，数据一致性强 中小规模混合检索、现有PostgreSQL生态复用、结构化+向量混合数据场景
Chroma 美国Chroma Inc.，Python开源项目 极简轻量，开箱即用，一行代码启动，专为LLM原型设计，被称为"AI应用的SQLite"，与LangChain/LlamaIndex默认集成 本地开发、原型验证、轻量RAG应用
FAISS Meta（Facebook）AI研究院开源 工业级向量算法库，支持HNSW、IVF、PQ、GPU加速等最全索引算法，是多数向量数据库的底层依赖，与PyTorch/TensorFlow无缝集成 科研/训练场景、自定义向量引擎开发、GPU加速的大规模向量计算

2. API 概述

Spring AI 提供了一套抽象化 API，通过 VectorStore 接口（读写）和 VectorStoreRetriever 接口（只读）与向量数据库交互。

2.1 VectorStoreRetriever 接口

Spring AI 提供了只读接口 VectorStoreRetriever，仅暴露文档检索能力：

java 复制代码 
@FunctionalInterface
public interface VectorStoreRetriever {

    List<Document> similaritySearch(SearchRequest request);

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

该函数式接口专为仅需检索、无需修改数据 的场景设计，遵循最小权限原则，仅暴露必要的检索功能。

similaritySearch 方法支持通过以下参数精细化控制检索结果：

  1. k ： 整数类型，指定返回的最大相似文档数量 ，即 Top K 检索（K 近邻算法 KNN）。
  2. threshold ：0~1 之间的浮点数，数值越接近 1 表示相似度要求越高。 例：设置阈值 0.75，仅返回相似度高于 0.75 的文档。
  3. Filter.Expression ：流式 DSL 领域特定语言，作用等价于 SQL 的 WHERE 条件，仅对文档元数据生效。
  4. filterExpression ：基于 ANTLR4 的外部 DSL，支持字符串格式的过滤表达式。示例，country == 'UK' && year >= 2020 && isActive == true

2.2 VectorStore 接口

VectorStore 继承自 VectorStoreRetriever，并新增了数据修改能力：

java 复制代码 
public interface VectorStore extends DocumentWriter, VectorStoreRetriever {

    default String getName() {
		return this.getClass().getSimpleName();
	}

    void add(List<Document> documents);

    void delete(List<String> idList);

    void delete(Filter.Expression filterExpression);

    default void delete(String filterExpression) { ... }

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

VectorStore 整合了读写操作 ，支持向向量数据库添加、删除、检索文档。

向量数据库插入数据时，需将数据封装为 Document 对象：

  • Document：封装 PDF/Word 等数据源的文本内容 + 键值对元数据（如文件名）；
  • 数据入库时，会通过嵌入模型 （EmbeddingModel）将文本转为数值数组 ，即向量嵌入 （vector embeddings）；
  • 常用嵌入模型：Word2Vec、GLoVE、BERT、OpenAI text-embedding-ada-002；
  • 向量数据库只负责存储和检索 ，不生成向量嵌入，嵌入工作由 EmbeddingModel 完成。

以下是 VectorStore 接口的所有可用实现：

  • Azure Vector Search：Azure 向量数据库
  • Apache Cassandra：Apache Cassandra 向量数据库
  • Chroma Vector Store：Chroma 向量数据库
  • Elasticsearch Vector Store：Elasticsearch 向量数据库
  • GemFire Vector Store：GemFire 向量数据库
  • MariaDB Vector Store：MariaDB 向量数据库
  • Milvus Vector Store：Milvus 向量数据库
  • MongoDB Atlas Vector Store：MongoDB Atlas 向量数据库
  • Neo4j Vector Store：Neo4j 向量数据库
  • OpenSearch Vector Store：OpenSearch 向量数据库
  • Oracle Vector Store：Oracle 数据库向量数据库
  • PgVector Store：PostgreSQL/PGVector 向量数据库
  • Pinecone Vector Store：Pinecone 向量数据库
  • Qdrant Vector Store：Qdrant 向量数据库
  • Redis Vector Store：Redis 向量数据库
  • SAP Hana Vector Store：SAP HANA 向量数据库
  • Typesense Vector Store：Typesense 向量数据库
  • Weaviate Vector Store：Weaviate 向量数据库
  • SimpleVectorStore：简易向量存储实现，仅用于测试

注意：SimpleVectorStore 不适用于生产环境，仅用于测试/演示。

2.3 SearchRequest 构建器

SearchRequest 用于封装检索请求参数，核心代码如下：

java 复制代码 
public class SearchRequest {

	public static final double SIMILARITY_THRESHOLD_ACCEPT_ALL = 0.0;
	public static final int DEFAULT_TOP_K = 4;

	private String query = "";
	private int topK = DEFAULT_TOP_K;
	private double similarityThreshold = SIMILARITY_THRESHOLD_ACCEPT_ALL;
	@Nullable
	private Filter.Expression filterExpression;

	// 构建器 + getter 方法省略
}

核心参数：

  • query：检索查询文本
  • topK：返回最相似的文档数量（默认 4）
  • similarityThreshold：相似度阈值（0~1，默认 0 不过滤）
  • filterExpression：元数据过滤表达式

3. 集成 Milvus 向量数据库

提示 ：基于上篇嵌入模型相关代码！！！因为 MilvusVectorStore 依赖于 EmbeddingModel ，所以需要先集成嵌入模型

3.1 Milvus 简介

官方网站

Milvus 是由中国 Zilliz（星爵科技） 主导开发、LF AI & Data 基金会毕业的开源企业级分布式向量数据库 ，也是目前全球企业级落地最广泛的向量数据库之一，国内私有化 RAG 场景的首选方案。

核心优势：

  1. 分布式云原生架构 ：支持分片集群、动态扩容，可稳定承载千亿级向量数据，适配大规模业务场景；
  2. 高效检索能力 ：内置HNSW、IVF系列、FLAT等多种向量索引，支持CPU/GPU混合加速，亿级数据上实现毫秒级语义召回；
  3. 企业级混合检索：原生支持「向量语义检索 + 结构化条件过滤」，可结合时间、标签、权限等业务字段做精准筛选；
  4. 丰富生态兼容 ：与 LangChain、LlamaIndex、Spring AI等主流 AI 框架深度集成，提供 Python/Java/Go 等多语言 SDK，私有化部署友好；
  5. 开源可商用 ：基于Apache 2.0 协议开源，无商用限制，国内社区与技术支持完善。

典型应用场景：

  • 企业级私有化 RAG 知识库
  • 大规模多模态检索（文本/图像/视频/音频）
  • 推荐系统与用户行为向量分析
  • 内容风控、违规内容相似度匹配

3.2 Docker Compose 部署

Milvus 主要支持的部署方式：

  • 单机版：支持 Docker、Operator、Helm、DEB/RPM、Docker Compose 部署
  • 集群版：支持 Operator、Helm 部署

要使用 Docker Compose 安装 Milvus，只需运行：

bash 复制代码 
wget https://github.com/milvus-io/milvus/releases/download/v2.6.15/milvus-standalone-docker-compose.yml -O docker-compose.yml

sudo docker compose up -d

Creating milvus-etcd  ... done
Creating milvus-minio ... done
Creating milvus-standalone ... done

可以加上 Milvus 可视化管理工具 Attu ：

java 复制代码 
  attu:
    container_name: milvus-attu
    image: zilliz/attu:v2.4
    environment:
      MILVUS_URL: milvus-standalone:19530
    ports:
      - "9021:3000"
    depends_on:
      - "standalone"

访问 http://{ip}:9021/ 控制台：

3.3 自动配置（推荐）

3.3.1 依赖引入

Maven 依赖：

xml 复制代码 
<dependency>
	<groupId>org.springframework.ai</groupId>
	<artifactId>spring-ai-starter-vector-store-milvus</artifactId>
</dependency>

包含以下子依赖：

3.3.2 YAML 配置

在 application.yml 中配置 Milvus 连接参数：

yaml 复制代码 
spring:
  ai:
    # 通过 spring.ai.vectorstore.type 选择向量存储类型
    # - simple: 内存向量存储 (默认,适合开发测试,重启数据丢失)
    # - milvus: Milvus 向量数据库 (生产环境推荐,支持大规模向量检索)
    vectorstore:
      type: milvus  # 当前使用内存存储,切换到 Milvus 改为: milvus
      # Milvus 配置 (仅当 type=milvus 时生效)
      # Milvus 是开源向量数据库,支持多种索引类型和度量方式
      milvus:
        client:
          host: 192.168.1.111   # Milvus 服务地址
          port: 19530           # Milvus gRPC 端口
          username: root        # 用户名
          password: milvus      # 密码
        database-name: default        # 数据库名称
        collection-name: vector_store # Collection 名称 (类似表名)
        embedding-dimension: 1024     # 向量维度 (OpenAI:1536, 智谱:1024)
        index-type: IVF_FLAT          # 索引类型: FLAT, IVF_FLAT, IVF_SQ8, IVF_PQ, HNSW, DISKANN
        metric-type: COSINE           # 度量类型: L2(欧氏距离), IP(内积), COSINE(余弦相似度)
        initialize-schema: true       # 自动创建 Collection 和索引

3.3.3 完整配置参数

Milvus 客户端连接配置前缀 spring.ai.vectorstore.milvus.client ：

配置属性 中文说明 默认值 备注
secure 是否启用 TLS 安全连接 false 为 true 时才生效各类 SSL 证书配置
host Milvus 服务地址 localhost 服务域名/IP
port Milvus 服务端口 19530 取值范围 1~65535
uri Milvus 实例连接地址 空 可替代 host+port 方式连接
token 身份认证令牌 空 用于接口鉴权
connectTimeoutMs 客户端连接超时时间(毫秒) 10000 必须大于0
keepAliveTimeMs 通道保活时间(毫秒) 55000 必须大于0
keepAliveTimeoutMs 保活超时时间(毫秒) 20000 必须大于0
rpcDeadlineMs RPC 请求响应超时时间(毫秒) 0 0 表示禁用超时限制
clientKeyPath TLS 双向认证客户端私钥路径 空 仅 secure=true 生效
clientPemPath TLS 双向认证客户端证书路径 空 仅 secure=true 生效
caPemPath TLS 根证书路径 空 仅 secure=true 生效
serverPemPath TLS 单向认证服务端证书路径 空 仅 secure=true 生效
serverName SSL 主机名校验覆盖名称 空 透传给 grpc.ssl_target_name_override
idleTimeoutMs 连接通道空闲超时时间(毫秒) 24小时 超时自动释放空闲连接
username 登录用户名 root Milvus 默认账号
password 登录密码 milvus Milvus 默认密码

Milvus 向量存储业务配置前缀 spring.ai.vectorstore.milvus ：

配置属性 中文说明 默认值 备注
databaseName Milvus 数据库名称 default 不可为空
collectionName 向量集合名称 vector_store 不可为空
embeddingDimension 向量嵌入维度 1536 适配 OpenAI 默认维度，必须大于0
indexType 向量索引类型 IVF_FLAT 枚举类型，见下文
metricType 向量相似度度量类型 COSINE 枚举类型，见下文
indexParameters 索引自定义参数 JSON {"nlist":1024} 不可为 null
idFieldName 集合主键字段名 doc_id 自定义主键字段标识
auto-id 是否开启自动生成主键 false 开启后无需手动指定 ID
contentFieldName 文本内容字段名 content 存储原始文档文本
metadataFieldName 元数据字段名 metadata 存储文档扩展属性
embeddingFieldName 向量嵌入字段名 embedding 存储高维向量数据
initialize-schema 是否自动初始化集合结构 false 新版 Spring AI 默认关闭，需手动开启

相似度度量枚举 MilvusMetricType ：

枚举值 中文名称 适用场景
INVALID 无效类型 内部占位，不使用
L2 欧式距离 关注向量绝对距离
IP 内积 向量归一化后等价余弦相似度
COSINE 余弦相似度 语义相似度、文本检索首选
HAMMING 汉明距离 二进制向量相似度计算
JACCARD 杰卡德距离 集合相似度、稀疏特征匹配

向量索引类型枚举 MilvusIndexType ：

枚举值 索引类型 特点
FLAT 暴力全量检索 精度100%，海量数据慢
IVF_FLAT 倒排暴力索引 均衡性能与精度
IVF_SQ8 倒排量化索引 存储空间低，精度轻微损耗
IVF_PQ 乘积量化索引 高压缩、适合超大规模向量
HNSW 多层近邻图索引 检索速度快、召回率高，生产常用
DISKANN 磁盘索引 适配亿级超大向量、节省内存
AUTOINDEX 自动索引 Milvus 自动择优选择索引
SCANN / GPU_IVF_FLAT / GPU_IVF_PQ GPU 加速索引 显卡算力加速检索
BIN_FLAT / BIN_IVF_FLAT 二进制向量索引 专为二值向量优化
TRIE / STL_SORT 结构化排序索引 非向量字段排序场景

3.3.4 MilvusVectorStoreAutoConfiguration

Spring AI 集成 Milvus 向量数据库的官方自动配置 Bean：

Bean 名称 Bean 类型 核心作用 创建条件 备注
milvusServiceClientConnectionDetails MilvusServiceClientConnectionDetails 封装 Milvus 连接地址（host/port），对接配置文件参数 缺失 MilvusServiceClientConnectionDetails 类型 Bean 实现类：PropertiesMilvusServiceClientConnectionDetails
milvusBatchingStrategy BatchingStrategy 文档向量嵌入批处理策略，防止大文档导致性能问题 缺失 BatchingStrategy 类型 Bean 默认实现：TokenCountBatchingStrategy
vectorStore MilvusVectorStore 核心业务Bean，提供向量增删改查、相似度检索、混合过滤能力 缺失 MilvusVectorStore 类型 Bean Spring AI 标准 VectorStore 接口实现
milvusClient MilvusServiceClient 底层通信Bean，Milvus 官方客户端，负责与服务端建立连接、执行指令 缺失 MilvusServiceClient 类型 Bean 基于配置自动构建 TLS、认证、超时参数

3.4 业务方法

VectorStore 对外暴露的核心业务方法：

方法名 返回值 入参 核心功能
add void List 批量添加文档（自动生成向量并存储）
delete void List 根据文档 ID 批量删除数据
delete void Filter.Expression 根据元数据过滤条件删除文档
similaritySearch List SearchRequest 相似度检索（支持过滤、TopK、阈值）
getNativeClient Optional 无 获取 Milvus 原生客户端，使用高级特性

3.4.1 添加文档

将数据加载到向量数据库的常规用法通常在批处理任务中完成：

  • 首先将数据加载到 Spring AI 的 Document 类中
  • 然后调用 VectorStore 接口的 add 方法

add(List<Document>) - 批量添加文档：

java 复制代码 
@SpringBootTest
public class MilvusVectorStoreCoreTest {

    @Autowired
    private VectorStore vectorStore;

    // 测试文档ID（固定ID，方便删除验证）
    private static final String TEST_DOC_ID = "test_doc_001";
    private static final String TEST_CONTENT = "Spring AI 集成 Milvus 向量数据库，实现智能文本检索";
    private static final String TEST_QUERY = "Spring AI 向量检索";

    // -------------------------------------------------------------------------
    // 1. 测试：add(List<Document>) - 批量添加文档
    // -------------------------------------------------------------------------
    @Test
    @DisplayName("测试1：批量添加文档到Milvus")
    public void testAddDocuments() {
        // 1. 构建测试文档（带ID+元数据）
        Document document = Document.builder()
                .id(TEST_DOC_ID)
                .text(TEST_CONTENT)
                .metadata(Map.of("author", "spring-ai", "type", "test"))
                .build();

        List<Document> documents = List.of(document);

        // 2. 执行添加（无异常则成功）
        Assertions.assertDoesNotThrow(() -> {
            vectorStore.add(documents);
        });

        System.out.println("✅ 测试1：文档添加成功");
    }
}

3.4.2 删除文档

VectorStore 接口提供多种删除方法，支持按文档ID 或过滤表达式删除数据。

  • 传入文档 ID 列表：该方法会删除所有 ID 匹配的文档，列表中不存在的 ID 会被自动忽略。
  • 按过滤表达式删除：对于更复杂的删除条件，你可以使用过滤表达式 ，该方法接收一个 Filter.Expression 对象，用于定义需要删除的文档匹配规则。

删除文档的性能考量：

  • 当你明确知道要删除的文档ID时，按ID列表删除通常速度更快；
  • 基于过滤器的删除可能需要扫描索引以匹配文档，具体逻辑取决于向量数据库的实现；
  • 大规模删除操作应分批执行，避免系统负载过高；
  • 基于文档属性删除时，建议使用过滤表达式，无需先收集文档 ID。

所有删除方法在发生错误时都可能抛出异常，可以将删除操作包裹在 try-catch 代码块中：

java 复制代码 
try {
    vectorStore.delete("country == '保加利亚'");
} catch (Exception e) {
    logger.error("过滤表达式无效", e);
}

delete(List<String>) - 根据文档 ID 批量删除：

java 复制代码 
    @Test
    @DisplayName("测试3：根据文档ID删除")
    public void testDeleteByIdList() {
        // 1. 执行删除
        List<String> deleteIds = List.of(TEST_DOC_ID);
        Assertions.assertDoesNotThrow(() -> {
            vectorStore.delete(deleteIds);
        });

        // 2. 验证删除后检索不到数据
        MilvusSearchRequest searchRequest = MilvusSearchRequest.milvusBuilder()
                .query(TEST_QUERY)
                .topK(5)
                .build();

        List<Document> resultList = vectorStore.similaritySearch(searchRequest);
        Assertions.assertTrue(resultList.isEmpty(), "文档未删除成功");

        System.out.println("✅ 测试3：根据ID删除文档成功");
    }

delete(Filter.Expression) - 根据过滤条件删除：

java 复制代码 
    @Test
    @Order(4)
    @DisplayName("测试4：根据元数据过滤条件删除")
    public void testDeleteByFilter() {
        // 0. 先重新添加测试数据
        vectorStore.add(List.of(
                Document.builder().id("test_002").text("测试过滤删除").metadata(Map.of("author", "test-user")).build()
        ));

        // 1. 构建过滤表达式：author = 'test-user'
        FilterExpressionBuilder filterBuilder = new FilterExpressionBuilder();
        var filterExpression = filterBuilder.eq("author", "test-user").build();

        // 2. 执行过滤删除
        Assertions.assertDoesNotThrow(() -> {
            vectorStore.delete(filterExpression);
        });

        System.out.println("✅ 测试4：根据过滤条件删除文档成功");
    }

3.4.3 相似度检索

构建检索请求

MilvusSearchRequest 链式构建通用搜索参数（继承自 SearchRequest，所有向量库通用）：

构建方法 参数类型 核心功能 使用示例 备注/默认值
query(String query) String 搜索查询文本（会自动向量化） .query("什么是大模型") 必选参数，用于生成搜索向量
topK(int topK) int 返回最相似的向量结果数量 .topK(10) 默认值：10
similarityThreshold(double threshold) double 相似度过滤阈值（仅返回大于等于该值的结果） .similarityThreshold(0.75) 取值范围：0.0 ~ 1.0；默认：0.0（不过滤）
similarityThresholdAll() - 取消相似度阈值限制，返回所有匹配结果 .similarityThresholdAll() 无参数，重置阈值为不限制
filterExpression(String textExpression) String 通用过滤表达式（Spring AI 标准DSL语法） .filterExpression("country == '中国'") 跨向量库通用，自动转译为数据库语法
filterExpression(Filter.Expression expression) Filter.Expression 编程式构建过滤表达式 .filterExpression(Filter.eq("age", 18)) 类型安全的过滤方式，避免字符串语法错误

Milvus 专属参数（仅 Milvus 向量库生效）：

构建方法 参数类型 核心功能 使用示例 备注/默认值
nativeExpression(String nativeExpression) String Milvus 原生过滤表达式（直接使用 Milvus 原生语法） .nativeExpression("city LIKE '上海%' AND price > 100") 优先级高于通用过滤表达式；支持 Milvus 所有原生运算符
searchParamsJson(String searchParamsJson) String Milvus 向量索引搜索参数（JSON格式） .searchParamsJson("{\"nprobe\":256, \"ef\":100}") 用于优化向量搜索性能/精度；不同索引类型参数不同

完整参数使用示例：

java 复制代码 
MilvusSearchRequest request = MilvusSearchRequest.milvusBuilder()
    // 通用必选参数
    .query("推荐高性能的向量数据库")
    // 通用可选参数
    .topK(8)
    .similarityThreshold(0.8)
    .filterExpression("type == '分布式'")
    // Milvus专属可选参数
    .nativeExpression("brand == 'Milvus' AND version >= 2.4")
    .searchParamsJson("{\"nprobe\": 256, \"ef\": 200}")
    .build();

当前测试类使用示例：

java 复制代码 
    @Test
    @Order(2)
    @DisplayName("测试2：文本相似度检索")
    public void testSimilaritySearch() {
        // 1. 构建检索请求
        MilvusSearchRequest searchRequest = MilvusSearchRequest.milvusBuilder()
                .query(TEST_QUERY)
                .topK(5)
                .similarityThreshold(0.5)
                .build();

        // 2. 执行检索
        List<Document> resultList = vectorStore.similaritySearch(searchRequest);

        // 3. 断言：结果不为空，且包含目标文档
        Assertions.assertFalse(resultList.isEmpty(), "检索结果为空");
        Assertions.assertEquals(TEST_DOC_ID, resultList.get(0).getId(), "文档ID不匹配");

        System.out.println("✅ 测试2：相似度检索成功，匹配文档：" + resultList.get(0).getText());
    }
元数据过滤

支持通用可移植的元数据过滤，两种写法等价：

文本表达式：

java 复制代码 
vectorStore.similaritySearch(
    SearchRequest.builder()
        .query("The World")
        .topK(5)
        .similarityThreshold(0.7)
        .filterExpression("author in ['john', 'jill'] && article_type == 'blog'")
        .build()
);

编程式 DSL ：

java 复制代码 
FilterExpressionBuilder b = new FilterExpressionBuilder();
vectorStore.similaritySearch(
    SearchRequest.builder()
        .query("The World")
        .topK(5)
        .similarityThreshold(0.7)
        .filterExpression(b.and(
                b.in("author", "john", "jill"),
                b.eq("article_type", "blog")
        ).build())
        .build()
);
专属搜索请求

MilvusSearchRequest 继承 SearchRequest，支持 Milvus 原生参数，灵活性更强。

基础用法：

java 复制代码 
MilvusSearchRequest request = MilvusSearchRequest.milvusBuilder()
    .query("sample query")
    .topK(5)
    .similarityThreshold(0.7)
    .nativeExpression("metadata[\"age\"] > 30") // 原生表达式（优先级高于 filterExpression）
    .searchParamsJson("{\"nprobe\":128}") // 索引参数
    .build();

List<Document> results = vectorStore.similaritySearch(request);

3.4.3 原生客户端访问

通过 getNativeClient() 获取 Milvus 原生客户端，使用高级特性：

java 复制代码 
MilvusVectorStore vectorStore = context.getBean(MilvusVectorStore.class);
Optional<MilvusServiceClient> nativeClient = vectorStore.getNativeClient();

if (nativeClient.isPresent()) {
    MilvusServiceClient client = nativeClient.get();
    // 执行 Milvus 原生操作
}
相关推荐
wuxinyan1231 小时前
大模型学习之路01：提示工程从入门到精通（第一篇）
人工智能·学习·提示词
互联网推荐官1 小时前
上海物联网应用开发技术路径拆解：从协议选型到平台架构的工程实践
大数据·人工智能·软件工程
好运的阿财1 小时前
OpenClaw工具拆解之apply_patch+sandboxed_read
人工智能·python·ai编程·openclaw·openclaw工具
user29876982706541 小时前
四、深入 Claude Code CLI 源码：服务层的架构设计
人工智能
许彰午1 小时前
CacheSQL：一个面向政务系统的内存缓存数据库中间件
java·数据库·缓存·中间件·面试·开源软件·政务
YaBingSec1 小时前
玄机网络安全靶场：Apache HTTPD 解析漏洞（CVE-2017-15715）WP
java·笔记·安全·web安全·php·apache
志栋智能1 小时前
跨越人机边界：超自动化巡检如何重塑工作流程？
运维·网络·人工智能·安全·自动化
悠悠121381 小时前
从零到一搭建AI智能体：hello-agents项目实战部署全记录
人工智能
kishu_iOS&AI1 小时前
NLP —— LSTM/GRU模型
人工智能·pytorch·深度学习·自然语言处理·gru·lstm
热门推荐
01GitHub 镜像站点022026年4月AI大事件深度解读：大模型竞争进入“深水区“03近期有什么ai的新消息，新动态？ 2026.4月04Codex 接入 DeepSeek API 完整配置文档05【AI】2026 年具身智能模型和世界模型总结062026年AI编程工具终极横评：Cursor vs Claude Code vs Copilot07实测可用｜小米 MiMo 百万亿 Token 免费领，开发者速冲08在Windows 11上安装Docker的踩坑记录09裂开！ChatGPT 居然开始要手机号验证，附详细解决方法102026年AI前瞻：量子AI、具身智能与科学发现的新纪元