SpringAI[7]：嵌入模型（Embedding Models）与向量化存储

目标：理解文本向量化原理，为 RAG 打基础

在前几章中，我们让 AI 具备了“对话”和“行动”的能力。但从 AI 应用的完整闭环来看，还有一个关键环节：理解与记忆。

大模型的知识是静态的、训练时固定的。如果我们希望 AI 能“读懂”你的公司文档、产品手册、用户协议，就必须让它具备理解新知识的能力。

本章的核心就是 嵌入模型（Embedding Models） —— 它能将文本、图像等内容转化为数学向量（即“向量化”），从而使 AI 系统能够计算语义类似度、实现语义搜索，为后续的 RAG（检索增强生成） 系统打下坚实基础。

7.1 什么是 Embedding？它在 AI 中的作用

根据 Spring AI 官方文档，Embeddings 是文本、图像或视频的数值化表明，用于捕捉输入之间的语义关系。

通俗理解：AI 的“语义坐标系”

想象一下，我们有一个巨大的“语义空间”，每个词或句子都被表明为一个点（向量）。语义越接近的词，在空间中的距离就越近。

例如：

“猫” 和 “狗” 的向量距离很近（都是宠物）
“飞机” 和 “火车” 距离较近（都是交通工具）
“猫” 和 “飞机” 距离很远

这种将文本转化为数字向量的过程，就叫 嵌入（Embedding）。

数学/几何中的向量

在最简单的层面上，一个向量就是一个具有大小和方向的量。物理学科上叫做矢量

例子：速度就是一个向量。如果你说“一辆车以 60 公里/小时的速度行驶”，这只是一个标量（只有大小）。但如果你说“一辆车以 60 公里/小时的速度向北行驶”，这就是一个向量（大小是 60，方向是北）。
可视化：在几何中，向量一般被画成一条带箭头的线段。线段的长度表明大小，箭头的指向表明方向。
坐标表明：在二维平面中，一个向量可以用一对数字 (x, y) 来表明，列如 (3, 4)。这表明从原点 (0,0) 出发，指向点 (3,4) 的箭头。在三维空间，就是 (x, y, z)

计算机科学中的向量

在计算机科学中，向量的含义被泛化了。它本质上就是一个一维数组，即一列有序的数字。

例子：[1.5, -0.2, 3.14, 42.0] 就是一个包含 4 个数字的向量。
维度的含义：这个向量的维度就是它包含的数字个数。上面的例子是 4 维向量。在机器学习和AI中，我们常常会处理几百、几千甚至更高维度的向量。

在计算机的世界里，我们可以用这样一个数字列表（向量）来表明任何东西。每个数字可以被看作是描述该事物的一个特征或属性。

用向量表明一杯饮料：

特征1：甜度 (0 不甜，10 超级甜) -> 7
特征2：酸度 (0 不酸，10 超级酸) -> 2
特征3：温度 (0 冰，10 烫) -> 1
特征4：咖啡因含量 (毫克) -> 90

那么，这杯饮料就可以表明为一个 4 维向量：[7, 2, 1, 90]。这杯饮料很可能是一杯冰甜咖啡。

向量Embedding

向量嵌入 是“向量”概念的一个超级强劲和重大的应用。它是一种特殊类型的向量，专门用于在计算机中表明复杂对象（如词语、图片、声音、用户、商品等），并捕捉其内在含义或语义。

你可以把向量嵌入理解为一个对象的 “数字指纹” 或 “DNA序列”。

向量嵌入的强劲之处在于，它不仅仅是随机的一堆数字，而是通过复杂的机器学习模型（如 Word2Vec, Transformer 等）学习得到的。这些数字的排列方式具有以下关键特性：

语义类似性 含义相近的对象，它们的向量在空间中的距离会很近。例子： “猫”和“狗”都是宠物，它们的向量距离会很近；而“猫”和“电脑”的向量距离会很远。
关系类比 向量空间中可以捕捉到类比关系。最著名的例子是： “国王”的向量 – “男人”的向量 + “女人”的向量 ≈ “女王”的向量 这意味着词语之间的语义关系（如“性别关系”）被编码在了向量的数学运算中。

向量嵌入是如何工作的？（以词嵌入为例）

想象一下，我们要把词语映射到一个 3 维空间（实际中维度更高，如300维、768维），以便可视化：

初始状态：一开始，计算机随机给每个词分配一个位置（一个向量）。
学习过程：模型阅读海量文本（如维基百科）。它学习一个原则：“出目前类似上下文中的词语，具有类似的含义”。例如，“苹果”和“香蕉”常常出目前“吃”、“水果”、“甜”等词语附近。而“苹果”和“微软”可能出目前“公司”、“技术”等词语附近。
最终结果：经过学习，模型会调整每个词的向量位置。 “苹果”（水果）和“香蕉”、“橘子”的向量会聚集在一起。 “苹果”（公司）和“微软”、“谷歌”的向量会聚集在另一处。 “水果”这个大类会和“蔬菜”等大类在更高层级上靠近。

最终，我们得到了一个“语义地图”，每个词都是这张地图上的一个点（即一个高维向量）。

✅ Embedding 的核心价值

作用	说明
语义搜索	搜索“轻便的户外背包”也能匹配“登山用小容量背包”
自然语言处理	搜索引擎（理解你的查询意图）、机器翻译、智能客服、情感分析。
图像识别	将图片转换为向量，然后寻找类似的图片。
推荐系统	根据用户兴趣向量推荐类似内容
RAG 基础	检索最相关的知识片段，供大模型参考生成答案

7.2 Spring AI 中的Embedding 接口与类

下面这个表格整理了Spring AI中与Embedding相关的核心接口与类：

接口/类	主要职责
EmbeddingModel	嵌入模型的核心接口，定义了文本向量化的能力
EmbeddingRequest	封装了向嵌入模型发出的请求，包含待处理的文本和模型配置选项
EmbeddingResponse	封装了嵌入模型的返回结果
Embedding	代表一段文本对应的向量化结果，即浮点数列表
EmbeddingOptions	配置嵌入模型参数（如模型名称、温度值等）的接口，不同模型提供商有其具体实现

来源于官方网站的类结构图：

SpringAI[7]：嵌入模型（Embedding Models）与向量化存储

Spring AI 提供了统一的 EmbeddingModel 接口，屏蔽了不同模型厂商的差异，实现可移植性和易用性。

核心接口定义

public interface EmbeddingModel extends Model<EmbeddingRequest, EmbeddingResponse> {

    //
    @Override
    EmbeddingResponse call(EmbeddingRequest request);
    
    // 核心方法：将文本转为向量
    float[] embed(String text);

    //将从文档中抽取出来的Document转换为向量，其中Document对象是在Spring AI文本抽取定义
    float[] embed(Document document);
    
    // 批量处理
    List<float[]> embed(List<String> texts);
    
    // 返回完整响应（含元数据）
    EmbeddingResponse embedForResponse(List<String> texts);
    
    // 获取向量维度
    int dimensions();
}

下面这个表格整理了 Spring AI 支持的主要嵌入模型类别及其代表：

模型类别	代表模型/提供商
云服务厂商模型	OpenAI ( text-embedding-3-small/large), Azure OpenAI, Google Vertex AI (Gemini Embeddings), 阿里云 (百炼平台 text-embedding-v3), 腾讯云 (混元 Embeddings)
开源/本地部署模型	Ollama (本地运行各种LLM模型并生成嵌入), Transformers (ONNX 格式的预训练模型)

国内开发者推荐使用通义千问或 Ollama 本地部署，避免网络问题。

7.3 使用Spring AI Embedding

使用 Spring AI 的嵌入功能一般包含以下几个步骤，这里以配置阿里云百炼平台的模型为例，其他模型的接入方式类似。

添加项目依赖

本章节将会使用阿里云百炼平台的Embedding模型，所以要引入百炼平台的SDK，前面几个章节我们一直在使用它

<!-- chapter05/pom.xml -->
<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
</dependency>
<!-- 本章会编写测试用例进行测试 -->
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-test</artifactId>
    <scope>test</scope>
</dependency>

配置模型参数

在项目application.yml中配置embedding模型. 主要指定了模型名称：

spring.ai.dashscope.embedding.options.model

# chapter05/src/main/resources/application.yml
spring:
  ai:
    dashscope:
      api-key: ${AI_BAI_LIAN_API_KEY} # 必填,在操作系统环境变量中设置这个变量后,重启IDEA才能生效。由于IDEA启动的时候会缓存这个变量
      chat:
        options:
          model: qwen-plus
          # 这个值0~1，值越大代表生成的结果随机性越强。如果是一个聊天，这个值可以大一点。如果是一些严谨的规划，则这个值可以设置小一些
          temperature: 0.7
      embedding:
        options:
          model: text-embedding-v3  # 指定使用的嵌入模型

注入并使用EmbeddingModel

自动配置将会自动创建EmbeddingModel的实例对象，创建一个测试用例进行测试，看 EmbeddingModel 是否生效

// chapter05/src/test/java/com/kaifamiao/chapter07/EmbeddingModelTest.java
@SpringBootTest
@Slf4j
public class EmbeddingModelTest {
    @Autowired
    private EmbeddingModel embeddingModel;

    @Test
    public void testEmbeddingModel() {

        log.info("embeddingModel:{}", embeddingModel.getClass());//class com.alibaba.cloud.ai.dashscope.embedding.DashScopeEmbeddingModel
        String  text      = "Hello, World!";
        float[] embedding = embeddingModel.embed(text);

        log.info("Embedding length:{} ", embedding.length);//1024

        for (int i = 0; i < 10; i++) {
            log.info("{} : {}", i, embedding[i]);
            /*
            0 : -0.040509745
            1 : 0.048558544
            2 : -0.06773139
            3 : -0.020919278
            4 : -0.06309953
            5 : -0.056987002
            6 : -0.033808745
            7 : -0.015091495
            8 : -0.020539619
            9 : 9.4796414E-4
             */
        }
    }
}

通过观察日志，EmbeddingModel被注入的具体的类型是DashScopeEmbeddingModel,这个Bean在自动配置中被创建。具体代码可参考 com.alibaba.cloud.ai.autoconfigure.dashscope.DashScopeEmbeddingAutoConfiguration 这个类的源码。
Hello，World这段文字，被embed后，是一个长度为1024的 float类型的数组，代码中输出了前10 个数据

// chapter05/src/test/java/com/kaifamiao/chapter07/EmbeddingModelTest.java
@SpringBootTest
@Slf4j
public class EmbeddingModelTest {
    @Autowired
    private EmbeddingModel embeddingModel;
    
    ...
    
    @Test
    public void callTest() {
        var input = "你好";
        EmbeddingOptions embeddingOptions = EmbeddingOptionsBuilder.builder()
                // 设定embedding模型名称
                .withModel("text-embedding-v4")//该模型默认维度为1024
                .withDimensions(128) //设定embedding模型维度
                .build();
        EmbeddingRequest  embeddingRequest = new EmbeddingRequest(List.of(input), embeddingOptions);
        EmbeddingResponse response         = embeddingModel.call(embeddingRequest);
        log.info("EmbeddingResponseMetadata:{}", response.getMetadata().getUsage());
        response.getResults().forEach(result -> {
            log.info("EmbeddingResult:{}-> {}", result.getIndex(), result.getOutput());
        });
    }
}

7.4 向量类似度计算原理（余弦类似度）

向量类似度是判断两个嵌入向量语义相关性的核心指标，余弦类似度是最常用的计算方式。

余弦类似度衡量两个向量在空间中的方向一致性，计算公式：

SpringAI[7]：嵌入模型（Embedding Models）与向量化存储

分子：向量 A 和 B 的点积（反映方向一致性）
分母：向量模长的乘积（归一化操作，消除长度影响）
结果范围：[-1, 1]，越接近 1 表明语义越类似.
几何意义若两个向量方向完全一样，夹角=0，类似度 = 1 若向量垂直(无关联), 即夹角=90，类似度=0 若完全相反, 即夹角 =180, 类似度 =-1

下面编写代码来计算三段文字的类似度：

“Spring AI 是一个用于构建 AI 应用的框架”
“Spring AI 协助开发者快速集成人工智能功能”
“Java 是一种跨平台的编程语言”

5.4.1 编写一个Service类封装向量计算

// chapter07/src/main/java/com/kaifamiao/chapter07/service/MyEmbeddingService.java
@Service
public class MyEmbeddingService {
    private final EmbeddingModel embeddingModel;

    public MyEmbeddingService(EmbeddingModel embeddingModel) {
        this.embeddingModel = embeddingModel;
    }

    /**
     * 批量计算文本的嵌入向量
     *
     * @param texts 文本
     * @return 嵌入向量
     */
    public List<float[]> embed(List<String> texts) {
        return embeddingModel.embed(texts);
    }

    public double cosineSimilarity(float[] vec1, float[] vec2) {
        if (vec1.length != vec2.length) {
            throw new IllegalArgumentException("向量维度必须一致");
        }
        // 点积
        double dotProduct = 0.0;
        double norm1      = 0.0;
        double norm2      = 0.0;

        for (int i = 0; i < vec1.length; i++) {
            //点积计算：通过循环累加每个维度上的乘积累积得到点积值。
            dotProduct += vec1[i] * vec2[i];
            //模长平方计算：分别对两个向量各维度进行平方并求和，得到了各自的模长平方。
            norm1 += Math.pow(vec1[i], 2);
            norm2 += Math.pow(vec2[i], 2);
        }

        if (norm1 == 0 || norm2 == 0) {
            return 0.0; // 避免除零
        }
        // 余弦类似度计算：将点积除以两个向量的模长的乘积，得到余弦类似度值。
        return dotProduct / (Math.sqrt(norm1) * Math.sqrt(norm2));
    }
}

5.4.2 编写测试用例

// chapter07/src/test/java/com/kaifamiao/chapter07/EmbeddingModelTest.java

@SpringBootTest
@Slf4j
public class EmbeddingModelTest {
    ...
    @Autowired
    private MyEmbeddingService myEmbeddingService;
    ...
    @Test
    public void cosineSimilarityTest() {
        // 1. 文本嵌入示例
        String        text1      = "Spring AI 是一个用于构建 AI 应用的框架";
        String        text2      = "Spring AI 协助开发者快速集成人工智能功能";
        String        text3      = "Java 是一种跨平台的编程语言";
        List<float[]> embeddings = myEmbeddingService.embed(List.of(text1, text2, text3));
        log.info("向量维度:{} ", embeddings.getFirst().length);

        // 2. 计算余弦类似度
        double similarity1_2 = myEmbeddingService.cosineSimilarity(embeddings.get(0), embeddings.get(1));
        double similarity1_3 = myEmbeddingService.cosineSimilarity(embeddings.get(0), embeddings.get(2));
        System.out.printf("text1 与 text2 类似度: %.4f%n", similarity1_2); // 应接近 1
        System.out.printf("text1 与 text3 类似度: %.4f%n", similarity1_3); // 应较低
    }
}

控制台输出:  可见类似度越高，值越大
向量维度:1024 
text1 与 text2 类似度: 0.8742 
text1 与 text3 类似度: 0.5774

7.5 向量存储(VectorStore)

在大模型驱动的 AI 应用开发中，“非结构化数据处理” 与 “类似性检索” 是核心需求 —— 无论是问答系统需要匹配知识库文档，还是推荐系统需要找到类似商品描述，都离不开对文本、图片等非结构化数据的向量化处理。

Spring AI 作为简化 AI 应用开发的框架，通过 “向量存储（Vector Store）” 组件统一了不同向量数据库的操作接口，让开发者无需关注底层存储细节，即可快速实现向量的存储、检索与管理。

7.5.1 什么是向量存储？为什么需要它？

在 AI 应用中，非结构化数据（如一篇文章、一张图片）无法直接被大模型用于 “类似性对比”，必须先通过 “嵌入模型（Embedding Model）” 将其转换为高维向量（Embedding Vector） —— 这些向量的数学距离（如欧氏距离、余弦类似度）能直接反映原始数据的语义类似性（列如 “猫抓老鼠” 和 “猫咪捕捉耗子” 的向量距离会超级近）。

而向量存储就是专门用于存储这些高维向量，并提供 “类似性检索” 能力的组件。它的核心价值在于：

高效检索：相比传统数据库的 “准确匹配”，向量存储能快速从百万 / 千万级向量中找到与目标向量最类似的结果（如 “找到与用户问题最相关的 3 篇知识库文档”）；
解耦设计：将向量存储与嵌入模型、大模型解耦，开发者可独立选择嵌入模型（如 OpenAI Embedding、Hugging Face 本地模型）和向量数据库（如 Chroma、Pinecone）；
支撑 RAG 核心流程：在 “检索增强生成（RAG）” 架构中，向量存储是 “检索环节” 的核心 —— 通过检索类似上下文补充给大模型，避免大模型 “失忆” 或输出错误信息。

7.5.2 向量存储核心接口

Spring AI 对向量存储的设计遵循 “抽象统一、实现灵活” 的原则，核心是通过顶层接口定义通用能力，再针对不同向量数据库提供具体实现，开发者基于接口编程即可无缝切换底层存储。

Spring AI 在
org.springframework.ai.vectorstore 包中定义了 VectorStore 接口，封装了向量存储的所有核心操作，最常用的方法包括：

方法名	作用
add(List<Document> documents)	将文档（含内容、元数据、向量）存入向量存储（若未传入向量，会自动调用嵌入模型生成）
similaritySearch(String query, int topK)	根据查询文本，检索 Top K 个最类似的文档（内部自动将 query 转为向量）
similaritySearch(String query, int topK, Map<String, Object> filter)	带元数据过滤的类似性检索（如 “只检索标签为‘技术文档’的类似文档”）
delete(String id)	根据文档 ID 删除向量
delete(List<String> ids)	批量删除向量

其中 Document 是 Spring AI 定义的 “数据载体”，包含以下核心字段：

public class Document {
    ...
    private final String id;
    private final String text;
    private final Media media;
    private final Map<String, Object> metadata;
    @Nullable
    private final Double score;
    @JsonIgnore
    private ContentFormatter contentFormatter;
    ...
}

id：作为文档在向量存储中的唯一标识，用于精准定位、更新或删除文档；若开发者在创建 Document 时手动指定（如业务系统中的文档 ID），则直接使用，若未指定，向量存储会自动生成（一般为 UUID），确保唯一性。
text：文档核心文本内容；存储文档的文本信息，是向量生成的主要依据（嵌入模型会将 text 转换为向量）。
media: 多媒体内容载体。类型为Media，是SpringAI 定义的多媒体封装类，其作用是支持存储非文本类型的内容，如图片、音频、视频等，实现 “多模态文档” 的处理。
metadata：文档元数据，存储文档的辅助信息，用于检索时的过滤、分类或溯源，常见内容包括：

来源信息：source=”https://example.com/docs”、author=”张三”；
分类标签：category=”技术文档”、priority=”high”；
时间信息：createTime=”2024-09-30″；
自定义业务字段：productId=”P12345″（关联业务系统 ID）

结合向量存储的过滤能力（如 similaritySearch 方法的 filter 参数），可实现 “按元数据筛选 + 类似性检索” 的复合查询（如 “只检索 2024 年发布的‘技术文档’中与 query 类似的内容”）。
score：类似度得分，仅在 “检索结果” 中有效，表明当前文档与查询向量的类似度得分（值越大，类似度越高）。由向量存储在执行 similaritySearch 时自动计算并赋值，创建文档（add 操作）时无需指定。
contentFormatter内容格式化器。定义文档内容的格式化规则，用于将 text 和 media 转换为特定格式（如大模型可理解的 Prompt 片段、前端展示的 HTML 等）
若未指定，使用 `DefaultContentFormatter`，默认将 `text` 直接作为格式化结果，忽略 `media`（需自定义实现以支持多媒体格式化）。

7.5.3 SimpleVectorStore

SimpleVectorStore 是一个轻量级的内存向量存储实现，专为快速开发、测试和小型规模数据场景设计。它无需依赖外部数据库，所有向量和文档都存储在内存中，适合作为向量存储功能的 “入门示例” 或简单应用的临时存储方案。

配置SimpleVectorStore Bean

// chapter07/src/main/java/com/kaifamiao/chapter07/configuration/VectorStoreConfig.java

@Configuration
public class VectorStoreConfig {
    @Bean
    public VectorStore vectorStore(EmbeddingModel embeddingModel) {
        return SimpleVectorStore.builder(embeddingModel).build();
    }

}

实战VectorStore 用法

第一在 SimpleVectorStore中保存一个商品，然后进行类似度搜索

// chapter07/src/test/java/com/kaifamiao/chapter07/VectorStoreTest.java
@SpringBootTest
@Slf4j
public class VectorStoreTest {

    @Autowired
    private VectorStore vectorStore;

    @Test
    public void testVectorStore() {
        log.info("vectorStore:{}", vectorStore.getClass());//org.springframework.ai.vectorstore.SimpleVectorStore

        // 1. 创建文档元数据
        Map<String, Object> metadata = Map.of(
                "category", "电子产品",
                "price", 5999.00,
                "releaseDate", "2024-01-15",
                "image", "https://gw.alicdn.com/bao/uploaded/i2/O1CN01lNEzKr1QXBHH4WsQJ_!!4611686018427381953-0-rate.jpg_960x960.jpg_.webp"
        );
        // 2. 创建文档（指定ID、文本、元数据）
        Document phoneDoc = Document.builder()
                .id("doc-123")// 自定义ID
                .text("iPhone 12 配备A14芯片，6.1英寸屏幕，支持5G网络...") // 文本内容
                //.media(productImage) // 关联图片
                .metadata(metadata) // 元数据
                .build();
        // 3. 存入向量存储
        vectorStore.add(List.of(phoneDoc));

        // 4. 检索时获取带score的结果
        List<Document> results = vectorStore.similaritySearch("推荐一款支持5G的手机");
        Document       topDoc  = results.getFirst();
        log.info("匹配的文档ID：{}", topDoc.getId());//doc-123
        log.info("匹配的文档元数据：{}", topDoc.getMetadata());//{image=https://gw.alicdn.com/bao/uploaded/i2/O1CN01lNEzKr1QXBHH4WsQJ_!!4611686018427381953-0-rate.jpg_960x960.jpg_.webp, category=电子产品, distance=0.39520738563777547, releaseDate=2024-01-15, price=5999.0}
        log.info("匹配的文档文本：{}", topDoc.getText());//iPhone 12 配备A14芯片，6.1英寸屏幕，支持5G网络...
    }
}

7.6 Milvus 向量数据库

SimpleVectorStore 是内存向量数据库。Milvus 是一款开源的分布式向量数据库，专为处理海量高维向量数据设计，广泛应用于 AI 领域的类似性检索场景。 https://milvus.io/

7.6.1 关键概念

Collection：相当于关系数据库中的表，是存储向量和标量数据的逻辑单元
Partition：Collection 的分区，用于数据分片和隔离
Vector：高维向量数据，Milvus 支持 1 到 32768 维的向量
Index：为向量建立的索引结构，用于加速类似性检索
Entity：Milvus 中的基本数据单元，由向量字段和标量字段组成
Metric Type：向量类似度计算方式，如欧氏距离（L2）、余弦类似度（IP）等

7.6.2 安装Milvus向量数据库

以下使用docker进行安装. 假设服务器IP地址为 192.168.31.254

wget https://github.com/milvus-io/milvus/releases/download/v2.6.0/milvus-standalone-docker-compose.yml -O docker-compose.yml

docker compose -f milvus-standalone-docker-compose.yml  up -d

启动 Milvus 后,名为milvus- standalone、milvus-minio 和milvus-etcd的容器启动。

- **milvus-etcd**容器不向主机暴露任何端口，并将其数据映射到当前文件夹中的**volumes/etcd**。
- **milvus-minio**容器使用默认身份验证凭据在本地为端口**9090**和**9091**提供服务，并将其数据映射到当前文件夹中的**volumes/minio**。
- **Milvus-standalone**容器使用默认设置为本地**19530**端口提供服务，并将其数据映射到当前文件夹中的**volumes/milvus**。

你还可以访问 Milvus WebUI，网址是**
http://192.168.31.254:9091/webui/**

7.6.3 对接Milvus向量数据库

添加依赖

# chapter07/pom.xml
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-milvus-store</artifactId>
</dependency>

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

<dependency>
    <groupId>io.milvus</groupId>
    <artifactId>milvus-sdk-java</artifactId>
    <version>2.6.4</version>
</dependency>

指定Milvus 数据库配置

spring-ai-milvus-store提供了
org.springframework.ai.vectorstore.milvus.MilvusVectorStore类，它实现了
org.springframework.ai.vectorstore.VectorStore接口，所以只需要在在配置类中将SimpleVectorStore这个Bean替换成 MilvusVectorStor即可：

MilvusServiceClient用于创建于Milvus 向量数据库连接客户端。

//chapter07/src/main/java/com/kaifamiao/chapter07/configuration/VectorStoreConfig.java
@Configuration
public class VectorStoreConfig {
    //    @Bean
    //    public VectorStore vectorStore(EmbeddingModel embeddingModel) {
    //        return SimpleVectorStore.builder(embeddingModel).build();
    //    }
    @Bean
    public VectorStore vectorStore(MilvusServiceClient milvusClient, EmbeddingModel embeddingModel) {
        return MilvusVectorStore.builder(milvusClient, embeddingModel)
        .collectionName("default")
        .databaseName("default")
        .indexType(IndexType.IVF_FLAT)
        .metricType(MetricType.COSINE)
        .initializeSchema(true)
        .build();
    }

    @Bean
    public MilvusServiceClient milvusClient() {
        return new MilvusServiceClient(ConnectParam.newBuilder()
                                       .withHost("192.168.31.254")
                                       .withPort(19530)
                                       .build());
    }
}

执行测试用例

先前的测试用例：

com.kaifamiao.chapter07.EmbeddingModelTest.testVectorStore 不用做任何更改，由于此时注入的VectorStore就是 MilvusVectorStor 实例对象。

文章版权归作者所有，未经允许请勿转载。如内容涉嫌侵权，请在本页底部进入<联系我们>进行举报投诉!

THE END

知识分享

SpringAI[7]：嵌入模型（Embedding Models）与向量化存储

7.1 什么是 Embedding？它在 AI 中的作用

通俗理解：AI 的“语义坐标系”

数学/几何中的向量

计算机科学中的向量

向量Embedding

向量嵌入是如何工作的？（以词嵌入为例）

✅ Embedding 的核心价值

7.2 Spring AI 中的Embedding 接口与类

7.3 使用Spring AI Embedding

添加项目依赖

配置模型参数

注入并使用EmbeddingModel

7.4 向量类似度计算原理（余弦类似度）

5.4.1 编写一个Service类封装向量计算

5.4.2 编写测试用例

7.5 向量存储(VectorStore)

7.5.1 什么是向量存储？为什么需要它？

7.5.2 向量存储核心接口

7.5.3 SimpleVectorStore

7.6 Milvus 向量数据库

7.6.1 关键概念

7.6.2 安装Milvus向量数据库

7.6.3 对接Milvus向量数据库

请登录后发表评论

最新方维o2o5.0.6678安装版的商城系统仿美团分销版的+外卖版的+分销商+到店买单网站源码

资源素材下载网站模板源码门户网站 dz社区论坛 php整站带后端

92GAME最新仿制周公解梦网站源码,帝国cms7.2内核,附带手机版+火车头采集规则

帝国cms仿知更鸟标准款样式模板新闻资讯类网站模板源码超强SEO极简博客源码

（带移动端）高端大气景区旅游旅行官方网站类dede织梦模板源码

全网VIP视频解析网站源码，二次解析屏蔽广告，能自己设置广告，有后端

SpringAI[7]：嵌入模型（Embedding Models）与向量化存储

7.1 什么是 Embedding？它在 AI 中的作用

通俗理解：AI 的“语义坐标系”

数学/几何中的向量

计算机科学中的向量

向量Embedding

向量嵌入是如何工作的？（以词嵌入为例）

✅ Embedding 的核心价值

7.2 Spring AI 中的Embedding 接口与类

7.3 使用Spring AI Embedding

添加项目依赖

配置模型参数

注入并使用EmbeddingModel

7.4 向量类似度计算原理（余弦类似度）

5.4.1 编写一个Service类封装向量计算

5.4.2 编写测试用例

7.5 向量存储(VectorStore)

7.5.1 什么是向量存储？为什么需要它？

7.5.2 向量存储核心接口

7.5.3 SimpleVectorStore

7.6 Milvus 向量数据库

7.6.1 关键概念

7.6.2 安装Milvus向量数据库

7.6.3 对接Milvus向量数据库

请登录后发表评论

最新方维o2o5.0.6678安装版的商城系统 仿美团分销版的+外卖版的+分销商+到店买单网站源码

资源素材下载网站模板源码 门户网站 dz社区论坛 php整站带后端

92GAME最新仿制周公解梦网站源码,帝国cms7.2内核,附带手机版+火车头采集规则

帝国cms仿知更鸟标准款样式模板新闻资讯类网站模板源码超强SEO极简博客源码

（带移动端）高端大气景区旅游旅行官方网站类dede织梦模板源码

全网VIP视频解析网站源码，二次解析屏蔽广告，能自己设置广告，有后端

最新方维o2o5.0.6678安装版的商城系统仿美团分销版的+外卖版的+分销商+到店买单网站源码

资源素材下载网站模板源码门户网站 dz社区论坛 php整站带后端