langchain4j InMemoryEmbeddingStore常用的方法

云和数据.ChenGuang2026-10-09 10:36

InMemoryEmbeddingStore 检索方法（langchain4j）

接口：EmbeddingStore<T>，实现类 InMemoryEmbeddingStore<T>

✅ 推荐新版：search(EmbeddingSearchRequest)

⚠️ findRelevant 属于旧版default方法，新版本标记废弃，仅做兼容

1. search（官方推荐，你前面代码用的）

java 复制代码

EmbeddingSearchResult<T> search(EmbeddingSearchRequest request);

EmbeddingSearchRequest 可配置：

queryEmbedding：查询向量（必填）
maxResults：返回topN
minScore：最低相似度阈值
filter：元数据过滤（按metadata筛选）

示例：

java 复制代码

EmbeddingSearchRequest request = EmbeddingSearchRequest.builder()
        .queryEmbedding(queryEmbedding)
        .maxResults(3)
        .minScore(0.6)
        .filter(MetadataFilter.key("source").isEqualTo("book.pdf"))
        .build();
EmbeddingSearchResult<TextSegment> result = store.search(request);
List<EmbeddingMatch<TextSegment>> matches = result.matches();

2. findRelevant 系列（旧版，不推荐新项目）

java 复制代码

// ① 只指定向量和max，minScore默认0
List<EmbeddingMatch<T>> findRelevant(Embedding queryEmbedding, int maxResults);

// ② 指定向量、max、最低相似度
List<EmbeddingMatch<T>> findRelevant(Embedding queryEmbedding, int maxResults, double minScore);

// ③ 带元数据过滤器
List<EmbeddingMatch<T>> findRelevant(Embedding queryEmbedding, int maxResults, Filter filter);

返回 List<EmbeddingMatch<T>>，直接拿到匹配列表，没有外层 EmbeddingSearchResult 对象。

检索返回对象

EmbeddingMatch<T>
- score()：余弦相似度，0~1，越大越相似
- embedded()：存入的 TextSegment
- embeddingId()：向量id

两种API对比

	search()	findRelevant()
返回	EmbeddingSearchResult	List<EmbeddingMatch>
配置	统一builder，支持max/minScore/filter	多个重载方法
状态	✅ 推荐，新特性都在这里	⚠️ 逐步废弃
扩展性	更好，后续向量库统一接口	简单快速原型

补充

InMemoryEmbeddingStore 使用暴力全量余弦相似度计算，没有索引，数据量大后会变慢。

需要我写一段带filter元数据过滤的检索示例吗？