- 当前位置：首页 >IT科技 >SpringAI更新：向量数据库不可用的解决方案！
SpringAI更新：向量数据库不可用的解决方案！
发布时间：2025-11-05 09:46:17 来源：创站工坊 作者：IT科技类资讯
Spring AI 前两天（4.10 日）更新了 1.0.0-M7 版本后，更新原来的向量 SimpleVectorStore 内存级别的向量数据库就不能用了，Spring AI 将其全部源码删除了。数据
此时我们就需要一种成本更低的库不可用解决方案来解决这个问题，如何解决呢？决方我们一起来看。
解决方案：Redis 向量数据库
虽然 SimpleVectorStore 不支持了，更新但 Spring AI 内置了 Redis 或 ES 作为向量数据库的向量分布式存储中间件，我们可以用他们来进行向量的数据存储。
而在这两种方案中，库不可用显然 Redis 使用成本更低，决方因此，更新我们来看如何将向量存储到 Redis 数据库中。向量
它的数据具体实现步骤如下。免费源码下载
安装Redis-Stack
下载 Docker Hub：https://www.docker.com/get-started/
图片
添加依赖
我们使用阿里云百炼平台的决方嵌入模型 text-embedding-v3 是兼容 OpenAI 的 SDK 的，因此，我们需要添加 OpenAI 和 Redis Vector 依赖：
复制<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-vector-store-redis</artifactId> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-model-openai</artifactId> </dependency>1.2.3.4.5.6.7.8.9.设置配置信息
配置 Redis 连接信息，以及嵌入模型的配置信息：
复制spring: data: redis: host: localhost port: 6379 ai: vectorstore: redis: initialize-schema: true index-name: custom-index prefix: custom-prefix openai: api-key: ${ALIYUN-AK} embedding: options: model: text-embedding-v31.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.阿里云百炼平台支持的向量模型：
图片
代码实现
Redis 添加向量数据
复制@Autowired private VectorStore vectorStore; // 构建数据 List<Document> documents = List.of(new Document("I like Spring Boot"), new Document("I love Java")); // 添加到向量数据库 vectorStore.add(documents);1.2.3.4.5.6.7.8.9.当然，向量数据的数据源可以是文件、图片、音频等资源，这里为了简单演示整体执行流程，使用了更简单直观的源码下载文本作为数据源。
VectorStore 提供的常用方法如下：
add(Listdocuments)：添加文档。delete(ListidList)：按 ID 删除文档。delete(Filter.Expression filterExpression)：按过滤表达式删除文档。similaritySearch(String query) 和 similaritySearch(SearchRequest request)：相似性搜索。执行结果如下：
图片
查询向量数据
复制@RestController @RequestMapping("/vector") public class VectorController { @Resource private VectorStore vectorStore; @RequestMapping("/find") public List find(@RequestParam String query) { // 构建搜索请求，设置查询文本和返回的文档数量 SearchRequest request = SearchRequest.builder() .query(query) .topK(3) .build(); List<Document> result = vectorStore.similaritySearch(request); System.out.println(result); return result; } }1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.执行结果如下：
图片
从上述结果可以看出，和“java”相似度最高的向量为“I love Java”，相似度评分为 0.77，如果我们 SearchRequest 对象中的 topK 设置为 1 的话，只会查询“I love Java”这条数据，如下图所示：
图片
企商汇益华科技IT技术网IT资讯网源码下载香港云服务器服务器租用亿华云源码库创站工坊益强IT技术网极客编程技术快报全栈开发思维库益强编程舍亿华智慧云亿华灵动亿华科技益强编程堂云站无忧极客码头亿华互联益强科技益强资讯优选科技前瞻多维IT资讯汇智坊益强智未来益华科技亿华云计算IT资讯网益强智囊团益强前沿资讯码力社亿华云益强科技亿华智造益华科技益华IT技术论坛智能时代编程之道码上建站云智核运维纵横
- Copyright © 2025 Powered by SpringAI更新：向量数据库不可用的解决方案！,创站工坊 滇ICP备2023006006号-44sitemap