此版本仍在开发中，尚未被视为稳定版本。最新的快照版本请使用 Spring AI 1.0.0-SNAPSHOT！spring-doc.cn

PGvector

本节将引导您设置 PGvector 以存储文档嵌入并执行相似性搜索。VectorStorespring-doc.cn

PGvector 是 PostgreSQL 的开源扩展，支持存储和搜索机器学习生成的嵌入。它提供了不同的功能，使用户能够识别精确和近似的最近邻。它旨在与其他 PostgreSQL 功能无缝协作，包括索引和查询。spring-doc.cn

先决条件

首先，您需要访问启用了 PostgreSQL 实例和扩展。vectorhstoreuuid-osspspring-doc.cn

您可以通过 Docker Compose 或 Testcontainers 将 PGvector 数据库作为 Spring Boot 开发服务运行。或者，设置本地 Postgres/PGVector 附录显示了如何使用 Docker 容器在本地设置数据库。

启动时，将尝试安装所需的数据库扩展，并创建带有索引（如果不存在）的所需表。PgVectorStorevector_storespring-doc.cn

或者，您可以手动执行此操作，如下所示：spring-doc.cn

CREATE EXTENSION IF NOT EXISTS vector;
CREATE EXTENSION IF NOT EXISTS hstore;
CREATE EXTENSION IF NOT EXISTS "uuid-ossp";

CREATE TABLE IF NOT EXISTS vector_store (
	id uuid DEFAULT uuid_generate_v4() PRIMARY KEY,
	content text,
	metadata json,
	embedding vector(1536) // 1536 is the default embedding dimension
);

CREATE INDEX ON vector_store USING HNSW (embedding vector_cosine_ops);
如果您使用的是其他维度，请将 替换为 Actual Embedding 维度。PGvector 最多支持 2000 个 HNSW 索引维度。1536

接下来，如果需要，EmbeddingModel 的 API 密钥，用于生成由 .PgVectorStorespring-doc.cn

自动配置

然后将 PgVectorStore 启动Starters依赖项添加到您的项目中：spring-doc.cn

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

或您的 Gradle 构建文件。build.gradlespring-doc.cn

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

矢量存储实现可以为您初始化所需的架构，但您必须通过在相应的构造函数中指定布尔值或在文件中进行设置来选择加入。initializeSchema…​initialize-schema=trueapplication.propertiesspring-doc.cn

这是一个突破性的变化！在早期版本的 Spring AI 中，默认情况下会进行此架构初始化。

Vector Store 还需要一个实例来计算文档的嵌入。 您可以选择一个可用的 EmbeddingModel Implementations。EmbeddingModelspring-doc.cn

例如，要使用 OpenAI EmbeddingModel，请将以下依赖项添加到您的项目中：spring-doc.cn

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

或您的 Gradle 构建文件。build.gradlespring-doc.cn

dependencies {
    implementation 'org.springframework.ai:spring-ai-openai-spring-boot-starter'
}
请参阅 Dependency Management 部分，将 Spring AI BOM 添加到您的构建文件中。 请参阅 Repositories 部分，将 Milestone 和/或 Snapshot Repositories 添加到您的构建文件中。

要连接并配置 ，您需要提供实例的访问详细信息。 可以通过 Spring Boot 的 .PgVectorStoreapplication.ymlspring-doc.cn

spring:
  datasource:
    url: jdbc:postgresql://localhost:5432/postgres
    username: postgres
    password: postgres
  ai:
	vectorstore:
	  pgvector:
		index-type: HNSW
		distance-type: COSINE_DISTANCE
		dimensions: 1536
如果您通过 Docker Compose 或 Testcontainers 将 PGvector 作为 Spring Boot 开发服务运行，则 您无需配置 URL、用户名和密码，因为它们是由 Spring Boot 自动配置的。
检查配置参数列表以了解默认值和配置选项。

现在，您可以在应用程序中自动连接并使用它PgVectorStorespring-doc.cn

@Autowired VectorStore vectorStore;

// ...

List<Document> documents = List.of(
    new Document("Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!!", Map.of("meta1", "meta1")),
    new Document("The World is Big and Salvation Lurks Around the Corner"),
    new Document("You walk forward facing the past and you turn back toward the future.", Map.of("meta2", "meta2")));

// Add the documents to PGVector
vectorStore.add(documents);

// Retrieve documents similar to a query
List<Document> results = this.vectorStore.similaritySearch(SearchRequest.query("Spring").withTopK(5));

配置属性

您可以在 Spring Boot 配置中使用以下属性来自定义 PGVector 矢量存储。spring-doc.cn

财产 描述 默认值

spring.ai.vectorstore.pgvector.index-typespring-doc.cn

最近邻搜索索引类型。选项包括 - 精确最近邻搜索， - 索引将向量划分为列表，然后搜索最接近查询向量的列表子集。与 HNSW 相比，它具有更快的构建时间并使用更少的内存，但查询性能较低（在速度-召回率权衡方面）。 - 创建多层图。与 IVFFlat 相比，它的构建时间较慢，使用的内存更多，但具有更好的查询性能（在速度-召回率权衡方面）。没有像 IVFFlat 这样的训练步骤，因此可以在表中没有任何数据的情况下创建索引。NONEIVFFlatHNSWspring-doc.cn

高净值偏南spring-doc.cn

spring.ai.vectorstore.pgvector.distance-typespring-doc.cn

搜索距离类型。默认为 。但是，如果向量被规范化为长度 1，则可以使用 or 以获得最佳性能。COSINE_DISTANCEEUCLIDEAN_DISTANCENEGATIVE_INNER_PRODUCTspring-doc.cn

COSINE_DISTANCEspring-doc.cn

spring.ai.vectorstore.pgvector.dimensionsspring-doc.cn

嵌入维度。如果未明确指定，则 PgVectorStore 将从提供的 .维度设置为表上创建的嵌入列。如果更改维度，则还必须重新创建 vector_store 表。EmbeddingModelspring-doc.cn

-spring-doc.cn

spring.ai.vectorstore.pgvector.remove-existing-vector-store-tablespring-doc.cn

在启动时删除现有表。vector_storespring-doc.cn

假spring-doc.cn

spring.ai.vectorstore.pgvector.initialize-schemaspring-doc.cn

是否初始化所需的 schemaspring-doc.cn

假spring-doc.cn

spring.ai.vectorstore.pgvector.schema-namespring-doc.cn

矢量存储架构名称spring-doc.cn

publicspring-doc.cn

spring.ai.vectorstore.pgvector.table-namespring-doc.cn

矢量存储表名称spring-doc.cn

vector_storespring-doc.cn

spring.ai.vectorstore.pgvector.schema-validationspring-doc.cn

启用 Schema 和 Table 名称验证，以确保它们是有效的现有对象。spring-doc.cn

假spring-doc.cn
如果配置自定义架构和/或表名称，请考虑通过设置 来启用架构验证。 这样可以确保名称的正确性，并降低 SQL 注入攻击的风险。spring.ai.vectorstore.pgvector.schema-validation=true

元数据筛选

您可以将通用的可移植元数据过滤器与 PgVector 存储结合使用。spring-doc.cn

例如，您可以使用文本表达式语言：spring-doc.cn

vectorStore.similaritySearch(
    SearchRequest.defaults()
    .withQuery("The World")
    .withTopK(TOP_K)
    .withSimilarityThreshold(SIMILARITY_THRESHOLD)
    .withFilterExpression("author in ['john', 'jill'] && article_type == 'blog'"));

或使用 DSL 以编程方式：Filter.Expressionspring-doc.cn

FilterExpressionBuilder b = new FilterExpressionBuilder();

vectorStore.similaritySearch(SearchRequest.defaults()
    .withQuery("The World")
    .withTopK(TOP_K)
    .withSimilarityThreshold(SIMILARITY_THRESHOLD)
    .withFilterExpression(b.and(
        b.in("author","john", "jill"),
        b.eq("article_type", "blog")).build()));
这些筛选表达式将转换为等效的 PgVector 筛选条件。

手动配置

您可以手动配置 . 为此，您需要将 PostgreSQL 连接和自动配置依赖项添加到您的项目中：PgVectorStoreJdbcTemplatespring-doc.cn

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

<dependency>
	<groupId>org.postgresql</groupId>
	<artifactId>postgresql</artifactId>
	<scope>runtime</scope>
</dependency>

<dependency>
	<groupId>org.springframework.ai</groupId>
	<artifactId>spring-ai-pgvector-store</artifactId>
</dependency>
请参阅 Dependency Management 部分，将 Spring AI BOM 添加到您的构建文件中。

要在应用程序中配置 PgVector，您可以使用以下设置：spring-doc.cn

@Bean
public VectorStore vectorStore(JdbcTemplate jdbcTemplate, EmbeddingModel embeddingModel) {
	return new PgVectorStore(jdbcTemplate, embeddingModel);
}

在本地运行Postgres和PGVector DB

docker run -it --rm --name postgres -p 5432:5432 -e POSTGRES_USER=postgres -e POSTGRES_PASSWORD=postgres pgvector/pgvector

您可以像这样连接到此服务器：spring-doc.cn

psql -U postgres -h localhost -p 5432