SpringAI2.0向量数据库的简单使用

向量数据库是一种专用类型的数据库，在AI应用中发挥着至关重要的作用。在向量数据库中，查询方式与传统关系型数据库不同。它们不进行精确匹配，而是执行相似性搜索。当提供一个向量作为查询时，向量数据库会返回与该查询向量“相似”的向量。

一、向量数据库

SpringAI支持很多种向量数据库,使用起来都比较简单根据官网加入依赖设置配置就可以了。

Azure 向量搜索- 这是Azure向量存储。
Apache Cassandra- 这是Apache Cassandra向量存储。
Chroma 向量存储- 这是Chroma向量存储。
Elasticsearch 向量存储- 这是Elasticsearch向量存储。
GemFire 向量存储- 这是GemFire的向量存储。
MariaDB 向量存储- 这是MariaDB的向量存储。
Milvus 向量存储- 这是Milvus的向量存储。
MongoDB Atlas 向量存储- 这是MongoDB Atlas的向量存储。
Neo4j 向量存储- 这是Neo4j的向量存储。
OpenSearch 向量存储- 这是OpenSearch的向量存储。
Oracle 向量存储- 这是Oracle 数据库的向量存储。
PgVector 存储-PostgreSQL/PGVector向量存储。
Pinecone 向量存储 - Pinecone向量存储。
Qdrant 向量存储 - Qdrant向量存储。
Redis 向量存储- 这是Redis向量存储。
Typesense 向量存储- 这是Typesense向量存储。
Weaviate 向量存储- 这是Weaviate的向量存储。
S3 向量存储- 这是AWS S3的向量存储。
SimpleVectorStore - 向量存储的简单实现，仅适用于测试用途。

参考文档：https://docs.spring.io/spring-ai/reference/api/vectordbs.html

二、简单例子

这里用SimpleVectorStore做个简单例子，是内存实现的，不用启动客户端

1、依赖

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

2、bean

 @Bean
    public SimpleVectorStore vectorStore(OpenAiEmbeddingModel embeddingModel) {
        return SimpleVectorStore.builder(embeddingModel).build();
    }

4、使用

   @Autowired
    private  SimpleVectorStore vectorStore;
    @GetMapping("/v")
    public String v(){
        //加入向量数据库中
        vectorStore.doAdd(List.of(new Document("我爱java"),
                new Document("我爱php"),
                new Document("我爱JavaScript"),
                new Document("我爱小猫咪")));
        //相似度查询
       List<Document> documents =  vectorStore.similaritySearch(
                    SearchRequest.builder()
                            .query("开发语言")//要查询的结果
                            .topK(2)//最多返回两个
                            .build());
       for(Document document :documents){
           System.out.println("document:"+document);
       }
       return "ok";
    }

日志

2026-11-04T21:39:30.808+08:00  INFO 8408 --- [spring-ai-test] [nio-8080-exec-1] o.s.ai.vectorstore.SimpleVectorStore     : Calling EmbeddingModel for document id = cc4ab97a-80bd-42dc-b16e-fa0b08df515a
2026-11-04T21:39:31.757+08:00  INFO 8408 --- [spring-ai-test] [nio-8080-exec-1] o.s.ai.vectorstore.SimpleVectorStore     : Calling EmbeddingModel for document id = 2e582aca-59fe-4bf7-8ab7-48da6943991a
2026-11-04T21:39:31.905+08:00  INFO 8408 --- [spring-ai-test] [nio-8080-exec-1] o.s.ai.vectorstore.SimpleVectorStore     : Calling EmbeddingModel for document id = d43d24a9-682a-4f05-99ea-43510e1b9409
2026-11-04T21:39:32.074+08:00  INFO 8408 --- [spring-ai-test] [nio-8080-exec-1] o.s.ai.vectorstore.SimpleVectorStore     : Calling EmbeddingModel for document id = 25622fff-046b-4c25-b188-0eb7539b1acd
document:Document{id='cc4ab97a-80bd-42dc-b16e-fa0b08df515a', text='我爱java', media='null', metadata={distance=0.6221694598406258}, score=0.3778305401593743}
document:Document{id='d43d24a9-682a-4f05-99ea-43510e1b9409', text='我爱JavaScript', media='null', metadata={distance=0.626568186855931}, score=0.37343181314406904}

根据日志可以看到四句文字转成了向量，然后查询也符合预期返回了两条跟开发语言相关的内容。