spring-ai 1.0.0 学习（十四）——向量数据库
向量数据库是AI系统中常用的工具，主要用来存储文档片段及进行语义相似度查找
与传统数据库不同，它执行的是相似度查找而不是精确匹配
最小化样例
首先在application.properties中，根据所用Embedding模型，添加一个嵌入式模型型号的配置
spring.ai.zhipuai.embedding.options.model=embedding-3然后需要声明一个VectorStore的bean，需要传入的EmbeddingModel（ZhiPuAiEmbeddingModel）在自动化配置包中已经声明过了（参见ZhiPuAiEmbeddingAutoConfiguration）
@Configuration
public class Config {@Beanpublic VectorStore vectorStore(EmbeddingModel embeddingModel) {return SimpleVectorStore.builder(embeddingModel).build();}
}之后就可以装配使用了，样例中使用add方法添加了一个Document，然后使用similaritySearch进行语义相近搜索，并返回结果文本
@AutowiredVectorStore vectorStore;void save(){//目前仅提供JsonReader和TextReaderDocument document = new Document("kitty is a cat");vectorStore.add(List.of(document));}@GetMapping("/ai/vector")String generation(String userInput){save();return this.vectorStore.similaritySearch(userInput).get(0).getText();}在实际生产中，一般分为两步使用：
数据预处理：将信息资料（比如一些规章制度或其他领域的文件，包括docx、pdf等格式）加载到VectorStore中
处理用户查询：搜索与用户问题语义相近的片段，之后一起传递给大模型，由大模型综合搜索结果进行回答
进阶知识
了解了如何使用，我们来看一下其内部原理和相关接口及实现类，以及如何进行技术选型
作用原理
VectorStore中内置一个嵌入式大模型，数据预处理阶段加载到向量数据库中的每个文档片段，会由EmbeddingModel加工为一个浮点数数组（即多维向量）
在处理用户查询时，EmbeddingModel同样先将用户查询的文本加工为一个多维向量，然后向量数据库将其与库内每个多维向量进行匹配，得到相似度数值，相似度越接近0越不相关，越接近1越相关。
相关接口及实现
| 接口 | VectorStore | BatchingStrategy |
| 方法 | void add(List<Document> docs); List<Document> similaritySearch(SearchRequest request); | List<List<Document>> batch(List<Document docs); |
| 实现类 | AbstractObservationVectorStore SimpleVectorStore | TokenCountBatchingStrategy |
VectorStore接口:向量数据库接口，主要方法即add和similaritySearch，分别对应数据预处理和相似性查找
AbstractObservationVectorStore：VectorStore的抽象实现类，内部包含EmbeddingModel和BatchingStrategy，分别用来将Document向量化和切分Document，同时负责可观测性Observation相关的处理
SimpleVectorStore：一个简单的向量数据库实现，不建议用在生产，适合用来进行教学，内部实现了一个EmbeddingMath，用来计算两个向量的相似度
Document：相似性查找的结果对象，文档或文档片段，内部包含id、文档文本、得分等属性
SearchRequest：相似性查找请求对象，内部包含请求文本query，结果最大条数topK，最低相似度阈值similarityThreshold，筛选表达式filterExpression等
BatchingStrategy接口：文档切分策略接口，提供batch方法，将长文本切分为一系列的小文本
TokenCountBatchingStrategy：按token个数对Document进行切分
其他框架的相关功能
spring-ai的VectorStore实际已经涉及了RAG（检索增强生成）的各个方面，例如文档切分、向量化、存储、相似性查找等功能
在这些环节，有许多可以提高最终效果的优化方案
例如langchain的切分策略，除了按token个数进行切分，还可以按字符切分，比如按【换行符，句号，分号，逗号】的顺序对文档切分，这样能更好的保持语义完整性。
而spring-ai由于起步较晚，此类扩展相对还比较少。
相关优化方案会在后续RAG篇进阶知识中进行详细的说明。
向量数据库选型
spring-ai支持的向量数据库：
可以参考VectorStoreProvider枚举类，目前该枚举类已经有21种向量数据库
选型时需要考虑的因素：
是否开源：这是相对来说首先需要考虑的一个方面，因为它决定了很多其他因素，开源一般都伴随着这些属性——免费、社区活跃、可以进行定制化改造、维护难度相对较高、需要有自己的研发人员，而闭源则一般伴随着这些属性——收费、易用、由厂家提供维护等。
数据规模：其次需要考虑的就是数据规模，因为它也决定了许多其他因素，如果数据量较大，向量维度较高，则需要考虑向量数据库是否支持大规模或超大规模，是否支持分布式，是否支持索引，搜索性能如何等。
其他因素：如是否国产、云上还是云下、是否需要结合其他检索如全文搜索、与现有系统的兼容性、易用性等
学习时可以直接使用spring-ai自带的SimpleVectorStore或者FAISS、Chroma