做AI应用开发的朋友们应该都深有体会：传统数据库在处理语义搜索、相似度匹配这些场景时真的很吃力。你有没有遇到过这种情况——用户搜”苹果”，结果只返回水果相关的，完全不包含手机品牌？这背后的问题在于，传统数据库做的是关键词匹配，而不是语义理解。

今天这篇文章我们来聊聊怎么用Spring AI结合向量数据库解决这个痛点。我会从基础概念讲起，再到实战代码，手把手教你搭建一个完整的AI应用框架。

什么是向量数据

在深入向量数据库之前，我们先搞清楚什么是向量数据。

简单来说，向量数据就是用一串数字来表示复杂信息的形式。举个例子，我们可以用一个300维的向量来表示”苹果”这个词，这个向量包含了”苹果”在语义空间中的位置信息。在这种表示方式下，语义相近的词在向量空间中也会靠得更近。

这种表示方法叫做词嵌入（Word Embedding），像Word2Vec、GloVe这些技术都是干这个的。文本可以转成向量，图片、音频同样可以。AI模型本质上就是在处理和理解这些高维向量数据。

那向量数据库和传统数据库有啥区别？传统数据库存的是结构化的行和列，查询靠的是精确匹配或者SQL条件。而向量数据库专门为存储和检索向量数据优化，支持的是相似度搜索——找出和查询向量最”像”的结果。

向量数据库的工作原理

向量数据库的核心流程可以拆成三步：

第一步：数据存储

原始数据（文本、图片等）经过AI模型处理后，转换成固定维度的向量，然后存入向量数据库。这个转换过程就是所谓的”向量化”或”Embedding”。

第二步：查询向量化

当用户发起查询时，系统先把查询文本也转成向量。比如用户搜”水果手机”，这个词会被转成一个向量，这个向量代表了用户想要表达的意思。

第三步：相似度计算

数据库在所有存储的向量中，找出和查询向量最相似的那一批。相似度的计算方式有几种：

• 欧几里得距离：两点之间的直线距离，越小越相似
• 余弦相似度：计算两个向量夹角的余弦值，越接近1越相似
• 曼哈顿距离：各维度差值绝对值之和

选择哪种度量方式取决于具体业务场景。余弦相似度在文本语义搜索中用得比较多，因为它更关注向量的方向而不是模长。

向量数据库与AI的关系

为什么向量数据库在AI领域这么火？主要有这几个原因：

检索增强生成（RAG）

RAG是现在AI应用的主流架构。简单说就是：AI回答问题之前，先去向量数据库里检索相关资料，然后把检索结果和用户问题一起喂给大模型。这样做的好处是既能利用大模型的生成能力，又能结合企业私有的知识库，解决模型”幻觉”问题。

高效处理高维数据

AI处理的数据维度都很高——一张图片可能有几千维，一段文本可能有几百维。传统数据库在处理这种数据时性能会急剧下降，而向量数据库专门为此优化，支持百万级向量的快速检索。

实时响应

很多AI应用场景对响应时间要求很高，比如智能客服、实时推荐。向量数据库能在毫秒级完成相似度搜索，满足实时性需求。

Spring AI项目简介

Spring AI是Spring生态为AI应用开发推出的框架，目标就是让开发者能像用Spring Data JPA那样自然地使用AI能力，而不用关心底层实现细节。它提供了统一的抽象层，你可以轻松切换不同的AI模型供应商。

Embedding：文本向量化的桥梁

EmbeddingClient是Spring AI中处理向量化的核心接口。它的作用很简单：把文本转成向量。接口设计得很简洁，核心方法就两个：

// 单文本向量化
List<Float> embed(String text);

// 文档向量化
List<Float> embed(Document document);

这个接口的设计有两个亮点：

可移植性：接口抽象做得好，你可以无缝切换OpenAI、Azure、百度文心等不同提供商的Embedding模型，业务代码基本不用改。这和Spring Data的思想一脉相承。

易用性：屏蔽了向量化的复杂性，开发者不用自己去调模型API、处理返回结果，专注业务逻辑就行。

Prompts：与大模型对话的方式

Prompt就是你和AI模型对话的方式。同样一个问题，不同的Prompt得到的答案可能天差地别。在Spring AI中，Prompt的处理方式借鉴了Spring MVC的思想——把Prompt看作是一个”视图模板”，里面可以包含占位符，运行时动态填充。

这就好比我们在Spring MVC里用Thymeleaf模板渲染视图，PromptTemplate的使用方式几乎一模一样：

PromptTemplate template = new PromptTemplate(
    "请根据以下上下文回答问题：\n上下文：{context}\n问题：{question}"
);

Prompt prompt = template.create(
    Map.of("context", retrievedContext, "question", userQuestion)
);

Spring AI现在的定位有点像早期的JDBC——提供了基础能力，但上层还有很大的抽象空间。未来可能会出现类似JdbcTemplate、Spring Data Repository这样的高级封装，比如ChatEngine、Agent这些概念，让AI编程变得更加声明式。

ETL管道：数据处理的流水线

在RAG架构中，ETL（Extract抽取、Transform转换、Load加载）管道是数据处理的核心环节。它的职责是把原始数据（PDF、Word、网页等）处理成向量，然后存入向量数据库。

典型的处理流程是这样的：从数据源抽取原始文本，对文本进行清洗和分块，向量化后存入数据库。这个过程看似简单，但有很多细节需要注意：

• 文本分块的大小要适中，太大可能包含无关信息，太小可能丢失上下文
• 分块之间要有适当的重叠，保证语义连贯
• 要保留文档的元数据（标题、来源、页码等），方便后续追溯

实战项目：Spring AI + pgvector

说了这么多理论，我们来动手实操。我会用一个完整的示例演示怎么搭建Spring AI应用，整合pgvector向量数据库。

环境准备：启动pgvector

pgvector是PostgreSQL的向量数据库插件，能在熟悉的PostgreSQL上提供向量检索能力，非常适合已经在用Postgres的团队。

version: '3.7'
services:
  postgres:
    image: ankane/pgvector:v0.5.0
    restart: always
    environment:
      - POSTGRES_USER=postgres
      - POSTGRES_PASSWORD=admin
      - POSTGRES_DB=vector_db
      - PGPASSWORD=admin
    ports:
      - '5433:5432'
    healthcheck:
      test: "pg_isready -U postgres -d vector_db"
      interval: 2s
      timeout: 20s
      retries: 10

启动命令：

docker compose up -d

项目配置：添加依赖

Spring AI的版本更新很快，这里用0.8.0-SNAPSHOT版本。需要引入OpenAI集成、PDF读取器和pgvector存储的依赖：

<spring-ai.version>0.8.0-SNAPSHOT</spring-ai.version>

<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
  <version>${spring-ai.version}</version>
</dependency>

<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-pdf-document-reader</artifactId>
  <version>${spring-ai.version}</version>
</dependency>

<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-pgvector-store</artifactId>
  <version>${spring-ai.version}</version>
</dependency>

application.yml中配置OpenAI的API Key：

spring:
  ai:
    openai:
      api-key: ${OPENAI_API_KEY}
    embedding:
      client:
        enabled: true
  datasource:
    url: jdbc:postgresql://localhost:5433/vector_db
    username: postgres
    password: admin

核心代码实现

整个应用分成两部分：数据处理和问答处理。

数据处理模块负责把PDF文档转成向量存入数据库：

@Service
public class DocumentIngestionService {

    private final EmbeddingClient embeddingClient;
    private final PgVectorStore vectorStore;
    private final PdfDocumentReader pdfReader;

    public void processDocument(Path pdfPath) {
        // 1. 读取PDF文档
        List<Document> documents = pdfReader.getDocuments(pdfPath);
        
        // 2. 向量化并存储
        documents.forEach(doc -> {
            List<Float> embedding = embeddingClient.embed(doc);
            doc.setEmbedding(embedding);
            vectorStore.add(List.of(doc));
        });
    }
}

问答模块负责检索相关文档并生成回答：

@Service
public class QAService {

    private final EmbeddingClient embeddingClient;
    private final PgVectorStore vectorStore;
    private final ChatClient chatClient;

    public String ask(String question) {
        // 1. 把问题转成向量
        List<Float> questionEmbedding = embeddingClient.embed(question);
        
        // 2. 检索相似文档
        List<Document> relevantDocs = vectorStore.similaritySearch(questionEmbedding);
        
        // 3. 构建Prompt
        String context = relevantDocs.stream()
            .map(Document::getContent)
            .collect(Collectors.joining("\n\n"));
        
        PromptTemplate template = new PromptTemplate(
            "根据以下上下文回答问题。如果上下文中没有相关信息，请说明你不知道。\n\n上下文：{context}\n\n问题：{question}"
        );
        
        Prompt prompt = template.create(Map.of(
            "context", context,
            "question", question
        ));
        
        // 4. 调用大模型生成回答
        return chatClient.call(prompt).getResult().getOutput().getContent();
    }
}

运行应用

配置好OpenAI的API Key后，直接运行：

mvn spring-boot:run -Dspring-boot.run.profiles=openai

总结

这篇文章我们聊了向量数据库的核心概念、Spring AI的关键组件，以及一个完整的实战示例。几点关键信息回顾一下：

• 向量数据库解决的是语义层面的相似度检索问题，是AI应用的基础设施
• Spring AI提供了统一的抽象层，让AI能力集成变得简单
• pgvector作为PostgreSQL的扩展，部署成本低，适合快速上手
• RAG架构是目前AI应用的主流模式，核心就是向量检索+大模型生成