Spring AI Vector Store 分析
请关注微信公众号：阿呆-bot
1. 工程结构概览
spring-ai-vector-store 是 Spring AI 的向量存储抽象层，它提供了统一的接口来操作各种向量数据库。Spring AI 支持 20+ 种向量数据库实现，包括 Neo4j、Elasticsearch、Milvus、PGVector、Pinecone 等。
spring-ai-vector-store/ # 核心抽象层 ├── VectorStore.java # 向量存储接口 ├── SearchRequest.java # 搜索请求 ├── filter/ # 过滤表达式 │ └── Filter.java └── observation/ # 观察性支持 vector-stores/ # 具体实现 ├── spring-ai-neo4j-store/ # Neo4j 实现 ├── spring-ai-elasticsearch-store/ # Elasticsearch 实现 ├── spring-ai-milvus-store/ # Milvus 实现 ├── spring-ai-pgvector-store/ # PostgreSQL/PGVector 实现 └── ... (20+ 种实现) 2. 技术体系与模块关系
向量存储采用统一的抽象接口，所有实现都遵循相同的模式：
3. 关键场景示例代码
3.1 基础使用
所有向量存储都使用相同的 API：
@Autowired private EmbeddingModel embeddingModel; // Neo4j Neo4jVectorStore vectorStore = Neo4jVectorStore.builder(driver, embeddingModel) .initializeSchema(true) .build(); // Elasticsearch ElasticsearchVectorStore vectorStore = ElasticsearchVectorStore.builder(restClient, embeddingModel) .initializeSchema(true) .build(); // Milvus MilvusVectorStore vectorStore = MilvusVectorStore.builder(milvusClient, embeddingModel) .initializeSchema(true) .build(); // 添加文档 vectorStore.add(List.of( new Document("Spring AI 是一个 AI 应用开发框架"), new Document("支持多种 AI 模型和向量数据库") )); // 相似度搜索 List<Document> results = vectorStore.similaritySearch( SearchRequest.query("AI 框架") .withTopK(5) .withSimilarityThreshold(0.7) ); 3.2 元数据过滤
所有实现都支持元数据过滤：
// 使用过滤表达式 List<Document> results = vectorStore.similaritySearch( SearchRequest.query("查询内容") .withTopK(10) .withFilterExpression("category == '技术' AND year > 2023") ); 3.3 批量处理
支持批量添加和批处理策略：
// 使用批处理策略 vectorStore = MilvusVectorStore.builder(milvusClient, embeddingModel) .batchingStrategy(new TokenCountBatchingStrategy(1000)) .build(); // 批量添加 List<Document> documents = loadDocuments(); // 大量文档 vectorStore.add(documents); // 自动批处理 4. 核心实现图
4.1 统一抽象设计
5. 入口类与关键类关系
6. 关键实现逻辑分析
6.1 统一接口设计
VectorStore 接口提供了统一的向量存储抽象：
public interface VectorStore extends DocumentWriter, VectorStoreRetriever { void add(List<Document> documents); void delete(List<String> idList); void delete(Filter.Expression filterExpression); List<Document> similaritySearch(SearchRequest request); } 这种设计让所有向量数据库都使用相同的 API，用户可以轻松切换不同的实现。
6.2 Neo4j 实现
Neo4j 使用 Cypher 查询和 HNSW 索引：
public class Neo4jVectorStore extends AbstractObservationVectorStore { @Override public void add(List<Document> documents) { // 1. 生成嵌入向量 List<float[]> embeddings = embeddingModel.embed(documents); // 2. 构建 Cypher 查询 String cypher = """ UNWIND $rows AS row MERGE (n:Document {id: row.id}) SET n.text = row.properties.text, n.embedding = row.embedding, n.metadata = row.properties.metadata """; // 3. 执行批量插入 try (var session = driver.session(sessionConfig)) { session.executeWrite(tx -> { tx.run(cypher, Map.of("rows", documentRows)); }); } } @Override public List<Document> similaritySearch(SearchRequest request) { // 1. 生成查询向量 float[] queryEmbedding = embeddingModel.embed(request.getQuery()); // 2. 转换过滤表达式 String whereClause = filterConverter.convert(request.getFilterExpression()); // 3. 构建向量搜索查询 String cypher = """ CALL db.index.vector.queryNodes( '%s', %d, $queryVector ) YIELD node, score WHERE %s RETURN node, score ORDER BY score DESC LIMIT %d """.formatted(indexName, topK, whereClause, request.getTopK()); // 4. 执行查询并转换结果 return executeCypherQuery(cypher, queryEmbedding); } } 特点：
- 使用 Neo4j 的向量索引（HNSW）
- 支持 Cypher 查询的元数据过滤
- 支持 Cosine 和 Euclidean 距离
6.3 Elasticsearch 实现
Elasticsearch 使用 k-NN 搜索：
public class ElasticsearchVectorStore extends AbstractObservationVectorStore { @Override public void add(List<Document> documents) { // 1. 生成嵌入向量 List<float[]> embeddings = embeddingModel.embed(documents); // 2. 构建批量索引请求 BulkRequest bulkRequest = new BulkRequest(); for (int i = 0; i < documents.size(); i++) { IndexRequest request = new IndexRequest(indexName) .id(documents.get(i).getId()) .source(Map.of( "content", documents.get(i).getText(), "embedding", embeddings.get(i), "metadata", documents.get(i).getMetadata() )); bulkRequest.add(request); } // 3. 执行批量索引 restClient.bulk(bulkRequest); } @Override public List<Document> similaritySearch(SearchRequest request) { // 1. 生成查询向量 float[] queryVector = embeddingModel.embed(request.getQuery()); // 2. 构建 k-NN 搜索请求 KnnVectorQueryBuilder knnQuery = new KnnVectorQueryBuilder("embedding", queryVector, request.getTopK()); // 3. 添加元数据过滤 if (request.getFilterExpression() != null) { QueryBuilder filterQuery = filterConverter.convert(request.getFilterExpression()); knnQuery.addFilterQuery(filterQuery); } // 4. 执行搜索 SearchRequest searchRequest = new SearchRequest(indexName) .source(new SearchSourceBuilder().query(knnQuery)); SearchResponse response = restClient.search(searchRequest); return convertToDocuments(response); } } 特点：
- 使用 Elasticsearch 的
dense_vector字段类型 - 支持 k-NN 搜索和元数据过滤
- 支持 Cosine、L2、Dot Product 相似度
6.4 Milvus 实现
Milvus 是专门的向量数据库：
public class MilvusVectorStore extends AbstractObservationVectorStore { @Override public void add(List<Document> documents) { // 1. 生成嵌入向量 List<List<Float>> embeddings = embeddingModel.embed(documents) .stream() .map(embedding -> Arrays.stream(embedding).boxed().collect(toList())) .collect(toList()); // 2. 构建插入数据 List<InsertParam.Field> fields = List.of( new InsertParam.Field("id", documents.stream().map(Document::getId).collect(toList())), new InsertParam.Field("content", documents.stream().map(Document::getText).collect(toList())), new InsertParam.Field("embedding", embeddings), new InsertParam.Field("metadata", documents.stream().map(Document::getMetadata).collect(toList())) ); // 3. 执行插入 InsertParam insertParam = InsertParam.newBuilder() .withCollectionName(collectionName) .withFields(fields) .build(); milvusClient.insert(insertParam); } @Override public List<Document> similaritySearch(SearchRequest request) { // 1. 生成查询向量 float[] queryVector = embeddingModel.embed(request.getQuery()); // 2. 构建搜索参数 SearchParam searchParam = SearchParam.newBuilder() .withCollectionName(collectionName) .withVectorFieldName("embedding") .withVectors(List.of(Arrays.stream(queryVector).boxed().collect(toList()))) .withTopK(request.getTopK()) .withMetricType(metricType) .withParams(Map.of("nprobe", 10)) .build(); // 3. 添加过滤表达式 if (request.getFilterExpression() != null) { String filterExpr = filterConverter.convert(request.getFilterExpression()); searchParam.withExpr(filterExpr); } // 4. 执行搜索 R<SearchResults> response = milvusClient.search(searchParam); return convertToDocuments(response.getData()); } } 特点：
- 专门的向量数据库，性能优异
- 支持多种索引类型（IVF_FLAT、HNSW 等）
- 支持多种相似度度量（Cosine、L2、IP）
7. 实现对比分析
| 特性 | Neo4j | Elasticsearch | Milvus |
|---|---|---|---|
| 数据库类型 | 图数据库 | 搜索引擎 | 向量数据库 |
| 索引算法 | HNSW | k-NN | HNSW/IVF_FLAT |
| 相似度度量 | Cosine, Euclidean | Cosine, L2, Dot Product | Cosine, L2, IP |
| 元数据过滤 | Cypher WHERE | Query DSL | 表达式字符串 |
| 适用场景 | 图+向量混合查询 | 全文+向量搜索 | 纯向量搜索 |
| 性能 | 中等 | 高 | 极高 |
| 扩展性 | 好 | 很好 | 优秀 |
8. 过滤表达式转换
每个实现都有自己的 FilterExpressionConverter，将统一的 Filter.Expression 转换为原生查询：
// Neo4j: 转换为 Cypher WHERE 子句 "n.metadata.category = '技术' AND n.metadata.year > 2023" // Elasticsearch: 转换为 Query DSL { "bool": { "must": [ {"term": {"metadata.category": "技术"}}, {"range": {"metadata.year": {"gt": 2023}}} ] } } // Milvus: 转换为表达式字符串 "metadata['category'] == '技术' && metadata['year'] > 2023" 9. 外部依赖
不同实现的依赖：
9.1 Neo4j
- Neo4j Java Driver：Neo4j 官方驱动
- Neo4j 5.15+：支持向量索引
9.2 Elasticsearch
- Elasticsearch Java Client：官方 Java 客户端
- Elasticsearch 8.0+：支持 k-NN 搜索
9.3 Milvus
- Milvus Java SDK：Milvus 官方 SDK
- Milvus 2.0+：向量数据库
10. 工程总结
Spring AI 向量存储的设计有几个值得学习的地方：
统一抽象。所有向量数据库都实现相同的 VectorStore 接口，这让用户可以轻松切换不同的实现，而不需要改业务代码。今天用 Neo4j，明天想换 Milvus？改个配置就行。
灵活的过滤机制。通过 Filter.Expression 和 FilterExpressionConverter，实现了统一的过滤表达式，但每个实现可以转换为自己的原生查询。写一次过滤表达式，所有数据库都能用。
观察性内置。所有实现都继承 AbstractObservationVectorStore，提供了统一的指标和追踪能力。可以监控搜索次数、延迟、错误率等，对生产环境很有用。
批处理支持。通过 BatchingStrategy，可以灵活配置批量操作的策略，提高性能。想一次插入 1000 条数据？配置个批处理策略就行。
自动模式初始化。大多数实现都支持 initializeSchema(true)，自动创建必要的索引和表结构。不用手动建表，启动时自动搞定。
总的来说，Spring AI 向量存储抽象层设计既统一又灵活。统一的接口让代码简洁，灵活的实现让每个数据库都能发挥自己的优势。这种设计让 Spring AI 能够支持 20+ 种不同的向量数据库，同时保持代码的可维护性。
![洛谷 P11345 [KTSC 2023 R2] 基地简化 题解](http://www.itfaba.com/wp-content/themes/kemi/timthumb.php?src=http://www.itfaba.com/wp-content/themes/kemi/img/random/2.jpg&w=218&h=124&zc=1)
