SpringAI集成RAG实操（postgresql+pgvector）中（集成到项目中）

1、在pom.xml 引入依赖

xml 复制代码

  <!-- 自动整合 PGVector 向量存储 -->
 <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-starter-vector-store-pgvector</artifactId>
        <version>1.0.0-M7</version>
 </dependency>

2、application.yml 加入pgvector配置

yaml 复制代码

spring:
   ai:
     dashscope:
       # 需要替换为你自己的 key
       api-key: 你的API-Key
       embedding:
         options:
           model: qwen3.7-text-embedding
           dimensions: 1024
######################################################
###########   postgresql 向量数据库配置    #############
######################################################
     vectorstore:
       pgvector:
         initialize-schema: true # 会自定初始化向量数据表 vector_store
         index-type: HNSW # 量索引的类型为 HNSW（分层可导航小世界图）。
         dimensions: 1024 # 存储的向量维度为 1024。
         distance-type: COSINE_DISTANCE # 相似度度量方式为"余弦距离
         max-document-batch-size: 10000 # Optional: Maximum number of documents per batch
         id-type: uuid
         table-name: vector_store # 向量数据表表名
         schema-name: public
	datasource:
      url: jdbc:postgresql://localhost:5432/postgres
      username: postgres
      password: 123456

项目启动时会自动创建向量数据表，表名为：vector_store

3、测试向表中vector_store 插入数据

service

java 复制代码

/**
 *  向量数据库表 vector_store  业务操作接口类
 */
public interface IVectorStoreService {
    /**
     * 简单示例，往向量数据库中插入字符串类型的数据
     * @param knowledge
     * @return
     */
    String addSimple(String knowledge);

    /**
     * 从向量数据库中筛选文档
     * @param content
     * @return
     */
    List<Document> similaritySearch(String content);
}

serviceImpl

java 复制代码

@Service
@Slf4j
public class VectorStoreServiceImpl implements IVectorStoreService {

    @Autowired
    private PgVectorStore pgVectorStore;

    @Autowired
    @Qualifier("openAiChatModel")
    private ChatModel chatModel;



    @Override
    public String addSimple(String knowledge) {
        Document document = new Document(knowledge);
        pgVectorStore.add(List.of(document));
        return "添加知识库成功";
    }


    /**
     * 根据内容相识度查询
     * @param content
     */
    public List<Document> similaritySearch(String content){
        Query query = new Query(content);
        ChatClient.Builder chatClientBuilder = ChatClient.builder(chatModel);

        // 构建查询重写转换器
        RewriteQueryTransformer queryTransformer = RewriteQueryTransformer.builder()
                .chatClientBuilder(chatClientBuilder)
                .build();
        // 构建翻译成中文转换器
       /* QueryTransformer queryTransformer = TranslationQueryTransformer.builder()
                .chatClientBuilder(chatClientBuilder)
                .targetLanguage("Chinese")
                .build();*/

        // 重写
        Query transform = queryTransformer.transform(query);

        SearchRequest searchRequest = SearchRequest.builder()
                .query(transform.text()) //搜索的查询文本,重写后的查询
                .topK(5) // 返回的最大结果数
                .similarityThreshold(0.5) // 相似度阈值分数，用于筛选搜索结果。只有相似度得分大于或等于该"阈值"的文档才会被返回。请注意，这是一个在客户端而非服务端执行的后处理步骤。阈值设为 0.0 表示接受任意相似度，或禁用相似度阈值过滤；阈值设为 1.0 则表示要求完全匹配。
                //.filterExpression("title in ['如何提升自身魅力吸引潜在伴侣？']") //基于文档元数据的过滤表达式
                .build();
        // Retrieve documents similar to a query
        List<Document> results = pgVectorStore.similaritySearch(searchRequest);
        log.info("匹配到的知识库内容：{}",results.toArray());
        return results;
    }
}

测试方法，这里就直接写controller了，在页面上测试

java 复制代码

/**
 * 向量数据库接口
 */
@RestController
@RequestMapping("/vectorStore")
public class VectorStoreController {

    @Autowired
    private IVectorStoreService vectorStoreService;

    /**
     * 新增数据
     * 向vector_store插入数据
     * @param knowledge 字符串类型的知识
     */
    @PostMapping("/add")
    public String addSimple(String knowledge){
        return vectorStoreService.addSimple(knowledge);
    }

    /**
     * 查询-直接接口查询
     * @param content
     * @return
     */
    @GetMapping("/query")
    public List<Document> similaritySearch( String content){
        return vectorStoreService.similaritySearch(content);
    }

}

先测试下插入数据

查看数据库，发现插入成功，embedding字段即为向量数组，metadata元信息为空，是因为我们暂时还没有设置。

继续多插入几条

测试下检索功能，发现只匹配到一条，分数为0.66

4、哪为什么会检索到这条呢？

先将用户输入的信息向量化
再通过jdbc在数据库中匹配
5、总结
在这里其实我们对RAG中的向量化，检索有初步的了解了。在这篇文章中主要是将向量数据库pgvector集成到项目中，并用简单的插入表，检索表了解了向量化。在检索文档前，会将用户输入的文本转化为向量表示，再从表中检索内容。【下图红色圈出部分】
附上一张RAG的架构图：