嵌入模型（Embedding Model）和向量數據庫（Vector Database/Vector Store）是一對親密無間的合作伙伴，也是 AI 技術棧中緊密關聯的兩大核心組件，兩者的協同作用構成了現代語義搜索、推薦系統和 RAG（Retrieval Augmented Generation，檢索增強生成）等應用的技術基礎。

“PS：準確來說 Vector Database 和 Vector Store 不完全相同，前者主要用于“向量”數據的存儲，而 Vector Store 是用于存儲和檢索向量數據的組件。

在 Spring AI 中，嵌入模型 API 和 Spring AI Model API 和嵌入模型的關系如下：

系統整體交互流程如下：

接下來我們使用以下技術：

• Spring AI
• 阿里云文本嵌入模型 text-embedding-v3
• SimpleVectorStore（內存級別存儲和檢索向量數據組件）

實現嵌入模型操作內存級別向量數據庫的案例。

1.添加項目依賴

我們使用阿里云百煉平臺的嵌入模型 text-embedding-v3 是兼容 OpenAI 的 SDK 的，因此，我們只需要添加 OpenAI 依賴即可：

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

2.配置嵌入模型

阿里云百煉平臺支持的向量模型：

項目配置文件配置向量模型：

spring:
  ai:
    openai:
      api-key: ${aliyun-ak}
      embedding:
        options:
          model: text-embedding-v3
      chat:
        options:
          model: deepseek-r1

3.配置向量模型

將 EmbeddingModel 和 VectorStore 進行關聯，如下代碼所示：

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

4.向量數據庫添加數據

VectorStore 提供的常用方法如下：

• add(Listdocuments) ：添加文檔。
• delete(ListidList) ：按 ID 刪除文檔。
• delete(Filter.Expression filterExpression) ：按過濾表達式刪除文檔。
• similaritySearch(String query) 和 similaritySearch(SearchRequest request) ：相似性搜索。

向數據庫添加向量數據的方法如下：

// 構建測試數據
List<Document> documents =
List.of(new Document("I like Spring Boot"),
        new Document("I love Java"));
// 添加到向量數據庫
vectorStore.add(documents);

當然，向量數據的數據源可以是文件、圖片、音頻等資源，這里為了簡單演示整體執行流程，使用了更簡單直觀的文本作為數據源。

5.查詢數據

@RestController
@RequestMapping("/vector")
publicclass VectorController {

    @Resource
    private VectorStore vectorStore;

    @RequestMapping("/find")
    public List find(@RequestParam String query) {
        // 構建搜索請求，設置查詢文本和返回的文檔數量
        SearchRequest request = SearchRequest.builder()
        .query(query)
        .topK(3)
        .build();
        List<Document> result = vectorStore.similaritySearch(request);
        System.out.println(result);
        return result;
    }
}

執行結果如下：

從上述結果可以看出，和“java”相似度最高的向量為“I love Java”，相似度評分為 0.77，如果我們 SearchRequest 對象中的 topK 設置為 1 的話，只會查詢“I love Java”這條數據，如下圖所示：

“想要獲取完整案例的同學加V：vipStone【備注：向量】

小結

嵌入模型和向量數據庫是實現 RAG（檢索增強生成）的技術基礎，當然除了以上案例外，你可以使用 Redis 或 ES 來存儲向量數據，并嘗試加入 DeepSeek 實現 RAG 功能，這種形式更符合企業真實的技術應用。