Spring AI RAG踩坑：我骂了半年的FilterExpression，其实是背锅侠

从 SimpleVectorStore 切到 Redis VectorStore，metadata 过滤直接罢工。我以为是 Spring AI 的 FilterExpression 是空壳，翻完源码才发现------是我自己少配了一个字段。

---

背景：为什么需要 metadata 过滤

我在做一个基于 Spring AI 的简历优化应用，核心是 RAG 检索。用户上传简历后，AI 根据岗位 JD 生成优化建议。

问题来了------不同行业、不同岗位、不同经验级别的简历，优化侧重点完全不同。10 年经验的技术总监不能参考应届生的模板。

所以检索逻辑需要精准过滤：

FilterExpressionBuilder builder = new FilterExpressionBuilder();
FilterExpression filter = builder.and(
    builder.eq("industry", "互联网"),
    builder.eq("experienceLevel", "中级")
).build();
​
List<Document> results = vectorStore.similaritySearch(
    SearchRequest.builder()
        .query("Java开发简历模板")
        .topK(5)
        .filterExpression(filter)
        .build()
);

逻辑没问题，接下来就是选 VectorStore 了。

---

SimpleVectorStore：开局很顺

一开始用的 SimpleVectorStore，内存版，配置极简：

@Bean
public VectorStore vectorStore(EmbeddingModel embeddingModel) {
    return new SimpleVectorStore(embeddingModel);
}

三行代码搞定。然后 metadata 过滤完美运行------按行业过滤没问题、按经验级别过滤没问题、组合过滤也没问题。

我当时觉得 Spring AI 这波稳了。

---

切到 Redis VectorStore：过滤直接废了

数据量上来之后，内存版重启丢数据的问题不能忍，必须换持久化存储。

改配置：

@Bean
public VectorStore vectorStore(JedisPooled jedis, EmbeddingModel embeddingModel) {
    return RedisVectorStore.builder()
        .jedisPooled(jedis)
        .embeddingModel(embeddingModel)
        .build();
}

看起来比 SimpleVectorStore 就多两个参数，没什么难度。

结果一试检索------返回空。

Redis 里有数据，FT.SEARCH 也能搜到。但只要带上 FilterExpression，结果就是空的。

---

误判：我以为是 FilterExpression 的锅

搜了一圈，发现社区里确实有人吐槽 Spring AI 的 FilterExpression 不好用，说底层实现有问题。

我信了。

在代码里加了个注释：// TODO: FilterExpression在Redis VectorStore里疑似空壳，等官方修复

上一篇文章里也暗示了这一点。

但这个判断是错的。

---

翻源码：真相让人尴尬

有天闲下来翻了 Spring AI 的源码，看完就傻了。

SimpleVectorStore 的 FilterExpression 实现，完整得不能再完整。 底层遍历文档、解析表达式、逐条匹配，逻辑清晰，根本不是空壳。

然后翻 Redis VectorStore 的 doSave 方法，发现了关键：

// RedisVectorStore源码（简化）
public void doSave(List<Document> documents) {
    if (this.metadataFields != null) {
        // 只有配了metadataFields，metadata才会被提取并存储
        for (Document doc : documents) {
            Map<String, Object> meta = extractMetadata(doc, this.metadataFields);
            // 存到Redis...
        }
    }
}

metadataFields 没配置 → metadata 存不进去 → 过滤时匹配不上 → 返回空。

这不是 FilterExpression 的锅，是 Redis VectorStore 少配了 metadataFields。

---

正解：Redis VectorStore 配置三件套

翻文档、反复测试，终于搞清楚完整配置。三件套一个都不能少：

@Bean
public VectorStore vectorStore(JedisPooled jedis, EmbeddingModel embeddingModel) {
    return RedisVectorStore.builder()
        .jedisPooled(jedis)
        .embeddingModel(embeddingModel)
        .initializeSchema(true)              // ① 自动创建索引
        .indexName("resume-ai")              // ② 索引名
        .prefix("doc:")                      // ③ key前缀
        .metadataFields(                     // ④ 元数据字段schema（关键！）
            MetadataField.text("experienceLevel"),
            MetadataField.text("industry"),
            MetadataField.text("position")
        )
        .build();
}

逐个说明：

配置项	作用	踩坑点
initializeSchema(true)	自动创建 Redis 搜索索引	手动建可能格式不对
indexName + prefix	索引名和 key 前缀，隔离不同项目	不设会跟其他数据混
metadataFields	告诉 Redis 哪些是元数据字段	不配就存不进去，过滤必返回空！

重点说 metadataFields。它的本质是一个 schema，告诉 Redis："这些文档里有 experienceLevel、industry、position 字段，过滤时靠它们。"

没配这个，Redis 不知道你存了什么字段，FilterExpression 再怎么写也是白搭。

---

验证：配齐之后

配齐三件套，重新写入数据，再跑过滤：

FilterExpressionBuilder builder = new FilterExpressionBuilder();
FilterExpression filter = builder.and(
    builder.eq("industry", "互联网"),
    builder.eq("experienceLevel", "中级")
).build();
​
List<Document> results = vectorStore.similaritySearch(
    SearchRequest.builder()
        .query("Java开发简历模板")
        .topK(5)
        .filterExpression(filter)
        .build()
);
// ✅ 结果正常返回

---

对比：SimpleVectorStore vs Redis VectorStore

特性	SimpleVectorStore	Redis VectorStore
存储	内存，重启丢失	Redis 持久化
FilterExpression	✅ 完整实现	✅ 完整实现
metadata 过滤	开箱即用	需配 metadataFields
生产可用	❌	✅
配置复杂度	零配置	三件套必须配齐

结论：两个 VectorStore 的 FilterExpression 都不是空壳。 是我在切 Redis 的时候少配了 metadataFields，导致元数据根本没存进去。

---

四条经验

0. 别用 SimpleVectorStore 做生产------重启一次数据全丢
1. Redis VectorStore 的 metadataFields 必须配------不配元数据存不进去，过滤必返回空
2. 有问题先翻源码------别轻信社区传言，我信了"FilterExpression 空壳"的说法，结果是自己配错了
3. 搜索问题加上版本号------Spring AI 迭代很快，去年的问题今年可能已经修了

---

你在 Spring AI RAG 上踩过什么坑？评论区聊聊，说不定能帮到其他人～

---