当前位置：首页 > wzjs >正文

做任务什么网站硬件开发是什么专业

wzjs 2025/9/9 7:50:37

做任务什么网站,硬件开发是什么专业,太原网站建设总部地址,西湖专业网站设计公司Spring AI 前两天（4.10 日）更新了 1.0.0-M7 版本后，原来的 SimpleVectorStore 内存级别的向量数据库就不能用了，Spring AI 将其全部源码删除了。此时我们就需要一种成本更低的解决方案来解决这个问题，如何解决呢&…

Spring AI 前两天（4.10 日）更新了 1.0.0-M7 版本后，原来的 SimpleVectorStore 内存级别的向量数据库就不能用了，Spring AI 将其全部源码删除了。

此时我们就需要一种成本更低的解决方案来解决这个问题，如何解决呢？我们一起来看。

解决方案：Redis 向量数据库

虽然 SimpleVectorStore 不支持了，但 Spring AI 内置了 Redis 或 ES 作为向量数据库的分布式存储中间件，我们可以用他们来进行向量的存储。

而在这两种方案中，显然 Redis 使用成本更低，因此，我们来看如何将向量存储到 Redis 数据库中。

它的具体实现步骤如下。

安装Redis-Stack

下载 Docker Hub：https://www.docker.com/get-started/
安装 redis-stack-server：使用“docker run -d --name redis-stack-server -p 6379:6379 redis/redis-stack-server”。

添加依赖

我们使用阿里云百炼平台的嵌入模型 text-embedding-v3 是兼容 OpenAI 的 SDK 的，因此，我们需要添加 OpenAI 和 Redis Vector 依赖：

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-vector-store-redis</artifactId>
</dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-model-openai</artifactId>
</dependency>

设置配置信息

配置 Redis 连接信息，以及嵌入模型的配置信息：

spring:data:redis:host: localhostport: 6379ai:vectorstore:redis:initialize-schema: trueindex-name: custom-indexprefix: custom-prefixopenai:api-key: ${ALIYUN-AK}embedding:options:model: text-embedding-v3

阿里云百炼平台支持的向量模型：

代码实现

Redis 添加向量数据

@Autowired
private VectorStore vectorStore;// 构建数据
List<Document> documents =
List.of(new Document("I like Spring Boot"),new Document("I love Java"));
// 添加到向量数据库
vectorStore.add(documents);

当然，向量数据的数据源可以是文件、图片、音频等资源，这里为了简单演示整体执行流程，使用了更简单直观的文本作为数据源。

VectorStore 提供的常用方法如下：

add(List documents) ：添加文档。
delete(List idList) ：按 ID 删除文档。
delete(Filter.Expression filterExpression) ：按过滤表达式删除文档。
similaritySearch(String query) 和 similaritySearch(SearchRequest request) ：相似性搜索。

执行结果如下：

查询向量数据

@RestController
@RequestMapping("/vector")
public class VectorController {@Resourceprivate VectorStore vectorStore;@RequestMapping("/find")public List find(@RequestParam String query) {// 构建搜索请求，设置查询文本和返回的文档数量SearchRequest request = SearchRequest.builder().query(query).topK(3).build();List<Document> result = vectorStore.similaritySearch(request);System.out.println(result);return result;}
}