向量存储(Vector Store)

核心概念

向量存储（VectorStore）是一种用于存储和检索高维向量数据的数据库或存储解决方案，它特别适用于处理那些经过嵌入模型转化后的数据。在 VectorStore 中，查询与传统关系数据库不同。它们执行相似性搜索，而不是精确匹配。当给定一个向量作为查询时，VectorStore 返回与查询向量“相似”的向量。

VectorStore 用于将您的数据与 AI 模型集成。在使用它们时的第一步是将您的数据加载到矢量数据库中。然后，当要将用户查询发送到 AI 模型时，首先检索一组相似文档。然后，这些文档作为用户问题的上下文，并与用户的查询一起发送到 AI 模型。这种技术被称为检索增强生成（Retrieval Augmented Generation，RAG）。

VectorStore API提供了简单易用的接口供开发者对 VectorStore 进行操作，接下来的部分描述相关接口以及一些高层次的示例用法。

API介绍

本节是对 Spring AI 框架中VectorStore接口及其相关类的指南。

Spring AI 提供了一个抽象化的 API，通过 VectorStore 接口与向量数据库进行交互。

VectorStore

以下是VectorStore接口的定义：

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);
    }

    Optional<Boolean> delete(List<String> idList);

    List<Document> similaritySearch(SearchRequest request);

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

以及相关的SearchRequest构建器：

public class SearchRequest {

    public final String query;
    private int topK = 4;
    private double similarityThreshold = SIMILARITY_THRESHOLD_ALL;
    private Filter.Expression filterExpression;

    public static SearchRequest query(String query) { return new SearchRequest(query); }

    private SearchRequest(String query) { this.query = query; }

    public SearchRequest withTopK(int topK) {...}
    public SearchRequest withSimilarityThreshold(double threshold) {...}
    public SearchRequest withSimilarityThresholdAll() {...}
    public SearchRequest withFilterExpression(Filter.Expression expression) {...}
    public SearchRequest withFilterExpression(String textExpression) {...}

    public String getQuery() {...}
    public int getTopK() {...}
    public double getSimilarityThreshold() {...}
    public Filter.Expression getFilterExpression() {...}
}

要将数据插入 VectorStore，应先将其封装在Document对象中。Document类封装了来自数据源（如 PDF 或 Word 文档）的内容，并将文本表示为字符串。它还包含键值对形式的元数据，包括文件名等详细信息。

在将文本内容插入 VectorStore 时，使用 EmbeddingModel 将文本内容转换为数值数组或float[]，这一步称为向量 Embedding。EmbeddingModel 用于将单词、句子或段落转换为这些向量 Embeddings。

VectorStore 的作用是存储并支持对这些 Embeddings 的相似性搜索，它不会生成 Embeddings 本身。因此，VectorStore 需要和 EmbeddingModel 一起使用。

接口中的similaritySearch方法允许检索与给定查询字符串相似的文档，你可以微调相似性搜索的这些参数：

k：一个整数，指定要返回的相似文档的最大数量。这通常被称为 “top K” 搜索或 “K最近邻”（KNN）。
threshold：一个值从 0 到 1 的双精度数，接近1的值表示更高的相似性。默认情况下，如果您设置了阈值为0.75，那么只有相似度超过此值的文档才会被返回。
Filter.Expression：一个用于传递流畅 DSL（特定域语言）表达式的类，其功能类似于 SQL 中的 “where”子句，但它仅适用于Document的元数据键值对。
filterExpression：基于 ANTLR4 的外部 DSL，接受字符串形式的过滤表达式。例如，对于元数据键如country、year 和isActive，您可以使用如下表达式：country == 'UK' && year >= 2020 && isActive == true。

示例用法

Spring AI Alibaba已经集成了阿里云百炼平台，接下来介绍基于阿里云百炼平台调用 VectorStore API。

准备工作

在开始之前，参考如下链接获取API-KEY：获取API-KEY。然后，在项目环境中设置API-KEY，有两种方式：

方式一：设置configuration properties：spring.ai.dashscope.api-key 为上述API-KEY。
方式二：设置环境变量export SPRING_AI_DASHSCOPE_API_KEY=<YOUR API KEY>

Auto-configuration

Spring AI 为 VectorStore 提供了 Spring Boot 的自动配置。要启用此功能，请将以下依赖项添加到您项目的 Mavenpom.xml文件中：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-dashscope-spring-boot-starter</artifactId>
</dependency>

或者添加到您的Gradlebuild.gradle文件中：

dependencies {
    implementation 'org.springframework.ai:spring-ai-dashscope-spring-boot-starter'
}

VectorStore Properties

前缀spring.ai.dashscope是用于配置连接至 DashScope 的属性前缀。

Property	Action	Default
`spring.ai.dashscope.api-key`	来自百炼平台的API KEY	-

所有以 spring.ai.dashscope 开头的属性都可以在构造 DashScopeCloudStore 时传入Runtime Options来覆盖。

Runtime Options

DashScopeStoreOptions提供了 DashScopeCloudStore 的配置信息，它通过构造函数来创建选项。

在构造DashScopeCloudStore时，通过将一个DashScopeStoreOptions实例传入，已完成配置。

例如，使用指定的知识库：

DashScopeCloudStore cloudStore = new DashScopeCloudStore(
        dashscopeApi, new DashScopeStoreOptions("spring-ai知识库"));

示例代码

该示例将创建一个DashScopeCloudStore实例，在指定的知识库上执行检索操作。以下是简单的@Controller类的示例，它使用了该 DashScopeCloudStore 实例。

spring.ai.dashscope.api-key=YOUR_API_KEY

@RestController
public class StoreController {

    private final DashScopeCloudStore dashScopeCloudStore;

    @Autowired
    public StoreController(DashScopeCloudStore dashScopeCloudStore) {
        this.dashScopeCloudStore = dashScopeCloudStore;
    }

    @GetMapping("/ai/search")
    public List<Document> store(@RequestParam(value = "message", defaultValue = "What's spring ai") String message) {
        return this.dashScopeCloudStore.similaritySearch(message);
    }
}

Manual Configuration

如果您不希望使用 Spring Boot 的 Auto-configuration，可以在应用程序中手动配置DashScopeCloudStore。为此，请将spring.ai.dashscope依赖项添加到您项目的 Mavenpom.xml文件中：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-dashscope</artifactId>
</dependency>

或者添加到您的Gradlebuild.gradle文件中：

dependencies {
    implementation 'org.springframework.ai:spring-ai-dashscope'
}

spring-ai-dashcope 依赖项还提供了对 DashScopeChatModel 的访问。有关 DashScopeChatModel 的更多信息，请参考 DashScope Chat Client部分。

接下来，创建一个DashScopeCloudStore实例，并使用它检索文档片段：

DashScopeCloudStore cloudStore = new DashScopeCloudStore(
        dashscopeApi, new DashScopeStoreOptions("spring-ai知识库"));

List<Document> documentList = cloudStore.similaritySearch("What's spring ai");