PGvector
本节将指导您设置 PGvector 的 VectorStore 以存储文档嵌入并执行相似性搜索。
PGvector 是一个开源的 PostgreSQL 扩展，它使得存储和搜索机器学习生成的嵌入变得可能。它提供了不同的功能，让用户能够识别精确和近似的最近邻居。它旨在与其他 PostgreSQL 特性无缝配合，包括索引和查询。
先决条件
首先，您需要访问启用了 vector、hstore 和 uuid-ossp 扩展的 PostgreSQL 实例。
| 《设置本地 Postgres/PGVector》附录展示了如何在本地使用 Docker 容器设置数据库。 |
在启动时，PgVectorStore 将尝试安装所需的数据库扩展，并创建带有索引的 vector_store 表。
可选地，您可以手动执行以下操作：
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 是默认的嵌入维度 ); CREATE INDEX ON vector_store USING HNSW (embedding vector_cosine_ops);
| 如果使用不同的维度，请将 1536 替换为实际的嵌入维度。 |
接下来，如果需要，为 EmbeddingClient 生成由 PgVectorStore 存储的嵌入的 API 密钥。
依赖关系
然后将 PgVectorStore 启动器依赖项添加到您的项目中：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-pgvector-store-spring-boot-starter</artifactId>
</dependency>或者添加到您的 Gradle build.gradle 构建文件中。
dependencies {
implementation 'org.springframework.ai:spring-ai-pgvector-store-spring-boot-starter'
}矢量存储还需要一个 EmbeddingClient 实例来计算文档的嵌入。您可以选择其中一个可用的 EmbeddingClient 实现。
例如，要使用 OpenAI EmbeddingClient，请将以下依赖项添加到您的项目中：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-openai-spring-boot-starter</artifactId>
</dependency>或者添加到您的 Gradle build.gradle 构建文件中。
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，将里程碑和/或快照存储库添加到您的构建文件中。 |
要连接并配置 PgVectorStore，您需要提供访问您实例的详细信息。可以通过 Spring Boot 的 application.yml 提供简单的配置
spring:
datasource:
url: jdbc:postgresql://localhost:5432/postgres
username: postgres
password: postgres
ai:
vectorstore:
pgvector:
index-type: HNSW
distance-type: COSINE_DISTANCE
dimension: 1536
| 查看 配置参数 列表，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 PgVector Store 并使用它
@Autowired 向量存储 vectorStore;
// ...
List <Document> 文档列表 = List.of(
new Document("Spring AI 真棒！！ Spring AI 真棒！！ Spring AI 真棒！！ Spring AI 真棒！！ Spring AI 真棒！！", Map.of("meta1", "meta1")),
new Document("世界很大，拯救就在转角处"),
new Document("你向前走着面对过去，向后转向未来。", Map.of("meta2", "meta2")));
// 将文档添加到 PGVector
vectorStore.add(List.of(文档));
// 检索与查询相似的文档
List<Document> 结果 = vectorStore.similaritySearch(SearchRequest.query("Spring").withTopK(5));手动配置
你可以手动配置 PgVectorStore，而不是使用 Spring Boot 的自动配置。为此，您需要向项目添加 PostgreSQL 连接和 JdbcTemplate 自动配置的依赖项：
<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>| 请参阅依赖管理部分，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：
@Bean
public VectorStore vectorStore(JdbcTemplate jdbcTemplate, EmbeddingClient embeddingClient) {
return new PgVectorStore(jdbcTemplate, embeddingClient);
}元数据过滤
您可以利用PgVector存储的通用、便携的元数据过滤器。
例如，您可以使用文本表达式语言：
vectorStore.similaritySearch(
SearchRequest.defaults()
.withQuery("The World")
.withTopK(TOP_K)
.withSimilarityThreshold(SIMILARITY_THRESHOLD)
.withFilterExpression("author in ['john', 'jill'] && article_type == 'blog'"));或者以编程方式使用Filter.Expression DSL：
FilterExpressionBuilder b = new FilterExpressionBuilder();
vectorStore.similaritySearch(SearchRequest.defaults()
.withQuery("The World")
.withTopK(TOP_K)
.withSimilarityThreshold(SIMILARITY_THRESHOLD)
.withFilterExpression(b.and(
b.in("john", "jill"),
b.eq("article_type", "blog")).build()));| 这些过滤表达式将被转换为等效的PgVector过滤器。 |
PgVectorStore 属性
您可以在您的Spring Boot配置中使用以下属性来定制 PGVector 向量存储。
| 属性 | 描述 | 默认值 |
|---|---|---|
|
|
最近邻搜索索引类型。选项包括 |
HNSW |
|
|
搜索距离类型。默认为 |
COSINE_DISTANCE |
|
|
嵌入维度。如果未明确指定，则 PgVectorStore 将从提供的 |
- |
|
spring.ai.vectorstore.pgvector.remove-existing-vector-store-table |
在启动时删除现有的 |
false |
