还在使用关键词搜索？SpringAI 实现语义搜索

集成向量数据库：与 Chroma 和 Milvus 配合使用

向量数据库（如 Chroma 和 Milvus）在大规模向量存储和相似度搜索中起到了至关重要的作用。在集成 Spring AI 时，可以将这些向量数据库与 AI 模型结合，以支持文本、图像或其他数据的高效相似度匹配与检索。本文将介绍如何将 Chroma 和 Milvus 向量数据库集成到 Spring AI 项目中，使用它们来进行向量存储和相似度搜索。

1. 向量数据库的作用与原理

向量数据库通常用于存储和检索高维数据的向量表示，特别适合处理 AI 模型的输出（例如，文本的嵌入向量）。它们通过 向量检索 技术（如余弦相似度、欧几里得距离等）支持高效的相似度搜索。

• Chroma：一个开源的向量数据库，支持高效的向量存储与相似度搜索，具有简洁的 API 和灵活的向量存储方式。
• Milvus：一个广泛使用的向量数据库，专为大规模向量存储和检索优化，支持各种 AI 模型的输出，如图像、文本和音频嵌入。

2. 集成 Chroma 向量数据库

(1) 配置 Chroma

Chroma 可以通过其官方 Java SDK 或 REST API 与 Java 应用集成。假设我们通过 REST API 方式进行集成，首先需要配置 Chroma 向量数据库。

1. 启动 Chroma 数据库

   • 参考 Chroma 官方文档 进行本地或 Docker 环境的安装与启动。

2. 配置连接 Chroma
   使用 Spring Boot 的 RestTemplate 或 WebClient 来发送 HTTP 请求与 Chroma 数据库进行交互。

(2) 示例：向 Chroma 插入向量

假设我们有一个文本嵌入模型，它将文本转为 512 维的向量，下面展示如何将文本向量存储到 Chroma 中。

首先，定义一个服务类，用于与 Chroma 交互。

package com.example.springaidemo.service;

import org.springframework.beans.factory.annotation.Value;
import org.springframework.stereotype.Service;
import org.springframework.web.reactive.function.client.WebClient;

@Service
public class ChromaService {
   
   

    @Value("${chroma.url}")
    private String chromaUrl;

    private final WebClient webClient;

    public ChromaService(WebClient.Builder webClientBuilder) {
   
   
        this.webClient = webClientBuilder.baseUrl(chromaUrl).build();
    }

    public void insertVector(String id, double[] vector) {
   
   
        // 将向量存入 Chroma
        webClient.post()
                .uri("/vectors")
                .bodyValue(new VectorInsertRequest(id, vector))
                .retrieve()
                .bodyToMono(Void.class)
                .block();
    }

    // 查询与输入向量最相似的向量
    public String searchVector(double[] queryVector) {
   
   
        return webClient.post()
                .uri("/search")