当前位置：首页 > wzjs >正文

企业做网站流程独立站优化

wzjs 2025/7/27 8:29:55

企业做网站流程,独立站优化,深圳华强北是干什么的,优化型网站的好处先看效果数据被存储在 milvus 中，包括原始数据和向量数据。大模型使用向量化数据的回答： 环境准备安装 milvus Milvus 是一款专为向量相似性搜索设计的高性能开源数据库。本地测试环境可以直接 Standalone 模式安装，需要用到 docke…

先看效果

数据被存储在 milvus 中，包括原始数据和向量数据。
在这里插入图片描述
大模型使用向量化数据的回答：

环境准备

安装 milvus

Milvus 是一款专为向量相似性搜索设计的高性能开源数据库。
本地测试环境可以直接 Standalone 模式安装，需要用到 docker。
官方文档地址：https://milvus.io/docs/zh
官网安装：https://milvus.io/docs/zh/install_standalone-docker-compose.md
直接按照官方文档安装即可，安装后的效果如下：在这里插入图片描述会有三个容器，分别是：milvus-standalone、milvus-etcd和milvus-minio。安

装 Attu

Attu 是 Milvus 的官方 GUI 客户端，弥补了命令行工具 Milvus_cli 的不足，提供更直观的操作体验

docker run -d --name attu -p 8000:3000 -e MILVUS_URL=127.0.0.1:19530 zilliz/attu:v2.3.4

安装成功后docker容器中会多个 attu。访问地址：http://localhost:8000 进入 attu 界面：
在这里插入图片描述

Milvus 初体验

在 Milvus 中，也有类似于 MySQL 一样的数据库的概念，用来组织和管理数据的逻辑单元。
在数据库下是 Collections ，类似于MySQL的表。
在Collections中可以定义字段、存储数据。

依赖

创建 maven 工程后，先添加如下依赖：

<dependency><groupId>io.milvus</groupId><artifactId>milvus-sdk-java</artifactId><version>2.5.7</version>
</dependency>

可能会缺少 slf4j 依赖，添加一下就可以。

创建连接

MilvusClientV2 milvusClient = new MilvusClientV2(ConnectConfig.builder().uri("http://192.168.74.132:19530").build());

uri 是部署的 Milvus 链接地址。

在 attu 中创建 Collections

选择 default 数据库，点击创建Collections按钮，Collections 的名称为：quick_setup。添加字段：id、vector和color，最终创建好的 Collections 如下：
在这里插入图片描述

插入数据

使用 Java 代码插入，代码如下：

Gson gson = new Gson();List<JsonObject> data = Arrays.asList(gson.fromJson("{\"id\": 10, \"vector\": [0.3580376395471989f, -0.6023495712049978f, 0.18414012509913835f, -0.26286205330961354f, 0.9029438446296592f], \"color\": \"pink_8682\"}", JsonObject.class),gson.fromJson("{\"id\": 11, \"vector\": [0.19886812562848388f, 0.06023560599112088f, 0.6976963061752597f, 0.2614474506242501f, 0.838729485096104f], \"color\": \"red_7025\"}", JsonObject.class),gson.fromJson("{\"id\": 12, \"vector\": [0.43742130801983836f, -0.5597502546264526f, 0.6457887650909682f, 0.7894058910881185f, 0.20785793220625592f], \"color\": \"orange_6781\"}", JsonObject.class),gson.fromJson("{\"id\": 13, \"vector\": [0.3172005263489739f, 0.9719044792798428f, -0.36981146090600725f, -0.4860894583077995f, 0.95791889146345f], \"color\": \"pink_9298\"}", JsonObject.class),gson.fromJson("{\"id\": 14, \"vector\": [0.4452349528804562f, -0.8757026943054742f, 0.8220779437047674f, 0.46406290649483184f, 0.30337481143159106f], \"color\": \"red_4794\"}", JsonObject.class),gson.fromJson("{\"id\": 15, \"vector\": [0.985825131989184f, -0.8144651566660419f, 0.6299267002202009f, 0.1206906911183383f, -0.1446277761879955f], \"color\": \"yellow_4222\"}", JsonObject.class),gson.fromJson("{\"id\": 16, \"vector\": [0.8371977790571115f, -0.015764369584852833f, -0.31062937026679327f, -0.562666951622192f, -0.8984947637863987f], \"color\": \"red_9392\"}", JsonObject.class),gson.fromJson("{\"id\": 17, \"vector\": [-0.33445148015177995f, -0.2567135004164067f, 0.8987539745369246f, 0.9402995886420709f, 0.5378064918413052f], \"color\": \"grey_8510\"}", JsonObject.class),gson.fromJson("{\"id\": 18, \"vector\": [0.39524717779832685f, 0.4000257286739164f, -0.5890507376891594f, -0.8650502298996872f, -0.6140360785406336f], \"color\": \"white_9381\"}", JsonObject.class),gson.fromJson("{\"id\": 19, \"vector\": [0.5718280481994695f, 0.24070317428066512f, -0.3737913482606834f, -0.06726932177492717f, -0.6980531615588608f], \"color\": \"purple_4976\"}", JsonObject.class)
);InsertReq req = InsertReq.builder().collectionName("quick_setup").data(data).build();InsertResp resp = milvusClient.insert(req);

插入后的效果如下：
在这里插入图片描述

Spring Alibaba 使用 Milvus

创建项目

创建新的项目，引入依赖

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

引入依赖后，SpringBoot 会自动创建 MilvusVectorStore，通过 MilvusVectorStore 查询数据、插入数据等。

配置项目

spring:ai:vectorstore:milvus:client:host: 192.168.74.132 # milvus 地址port: 19530   # milvus 端口号embedding-dimension: 1536 # 向量维度initialize-schema: true  # 是否初始化dashscope:api-key: sk-*  # api-key

源码编写

创建 chatClient：

@Bean
ChatClient chatClient(ChatClient.Builder builder) {return builder.defaultSystem("你将作为一名 Spring-AI-Alibaba 的专家，对于用户的使用需求作出解答").build();
}

启动时将数据存入到 Milvus 中，创建 VectorDataInit 类继承 ApplicationRunner，代码如下：

@Configuration
public class VectorDataInit implements ApplicationRunner {private final Logger logger = LoggerFactory.getLogger(VectorDataInit.class);private final MilvusVectorStore vectorStore;public VectorDataInit(MilvusVectorStore vectorStore) {this.vectorStore = vectorStore;}@Overridepublic void run(ApplicationArguments args) {List<Document> documents = List.of(new Document("1. 使用SpringAIAlibaba创建一个Spring Boot项目，并添加spring-ai-alibaba-starter依赖。"),new Document("2. 在SpringAIAlibaba项目的pom.xml中添加Spring Milestone和Snapshot存储库。"),new Document("3. 通过SpringAIAlibaba申请阿里云通义API Key，在application.yml中进行配置。"),new Document("4. 使用SpringAIAlibaba的ChatClient和Prompt功能实现对话模型。"),new Document("5. 通过SpringAIAlibaba的Spring Boot与Spring Cloud Alibaba AI对接，实现基本聊天功能。"),new Document("6. SpringAIAlibaba支持文本生成、翻译、摘要等生成式AI功能。"),new Document("7. SpringAIAlibaba支持文本数据的语义搜索和AI绘画功能。"),new Document("8. 使用SpringAIAlibaba的TongYiChatModel和TongYiImagesModel实现聊天和图片服务。"),new Document("9. 在SpringAIAlibaba的REST控制器中提供对外的API接口。"),new Document("10. 通过SpringAIAlibaba的简单API调用实现AI模型的集成。"),new Document("11. 使用SpringAIAlibaba的Prompt模板管理控制AI模型的输出。"),new Document("12. 结合SpringAIAlibaba的检索和生成技术（RAG）提高生成内容的质量。"),new Document("13. 使用SpringAIAlibaba实现文本生成图像和图像识别功能。"),new Document("14. 准备SpringAIAlibaba需要的Java 17及以上的开发环境。"),new Document("15. 使用IDEA进行SpringAIAlibaba的Java开发和HBuilder X进行前端开发。"),new Document("16. 在SpringAIAlibaba的Spring Boot项目中集成多种AI模型和向量数据库。"),new Document("17. SpringAIAlibaba支持自然语言处理、计算机视觉、语音处理和数据分析与预测功能。"),new Document("18. 通过SpringAIAlibaba的配置中心和注册中心实现动态扩展。"));vectorStore.add(documents);logger.info("Vector data initialized");}
}

启动项目后数据就会被存入到 milvus 中。

创建接口

向量搜索
根据用户输入搜索最相似的文本，代码如下：

@GetMapping("/select")
public List<Document> search(String param) {return vectorStore.similaritySearch(SearchRequest.builder().query(param).topK(10).build());
}

其中 topK 代表要搜索的数量。

大模型+Milvus

@GetMapping(value = "/chat")
public Flux<String> generation(@RequestParam("prompt") String userInput,HttpServletResponse response
) {response.setCharacterEncoding("UTF-8");// 发起聊天请求并处理响应return chatClient.prompt().user(userInput)// 大模型使用 milvus 向量库.advisors(new QuestionAnswerAdvisor(vectorStore, SearchRequest.builder().build())).stream().content();
}