嵌入模型（Embedding Model）和向量数据库（Vector Database/Vector Store）是一对亲密无间的合作伙伴，也是 AI 技术栈中紧密关联的两大核心组件，两者的协同作用构成了现代语义搜索、推荐系统和 RAG（Retrieval Augmented Generation，检索增强生成）等应用的技术基础。
“PS：准确来说 Vector Database 和 Vector Store 不完全相同，前者主要用于“向量”数据的存储，而 Vector Store 是用于存储和检索向量数据的组件。
在 Spring AI 中，嵌入模型 API 和 Spring AI Model API 和嵌入模型的关系如下：
系统整体交互流程如下：
接下来我们使用以下技术：
- Spring AI
- 阿里云文本嵌入模型 text-embedding-v3
- SimpleVectorStore（内存级别存储和检索向量数据组件）
实现嵌入模型操作内存级别向量数据库的案例。
1.添加项目依赖
我们使用阿里云百炼平台的嵌入模型 text-embedding-v3 是兼容 OpenAI 的 SDK 的，因此，我们只需要添加 OpenAI 依赖即可：
复制<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-model-openai</artifactId> </dependency>
2.配置嵌入模型
阿里云百炼平台支持的向量模型：
项目配置文件配置向量模型：
复制spring:
ai:
openai:
api-key: ${aliyun-ak}
embedding:
options:
model: text-embedding-v3
chat:
options:
model: deepseek-r13.配置向量模型
将 EmbeddingModel 和 VectorStore 进行关联，如下代码所示：
复制@Bean
public VectorStore vectorStore(EmbeddingModel embeddingModel) {
return SimpleVectorStore.builder(embeddingModel).build();
}4.向量数据库添加数据
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。
向数据库添加向量数据的方法如下：
复制// 构建测试数据
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);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文本作为数据源。
5.查询数据
复制@RestController
@RequestMapping("/vector")
publicclass 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;
}
}执行结果如下：
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：
“想要获取完整案例的同学加V：vipStone【备注：向量】
小结
嵌入模型和向量数据库是实现 RAG（检索增强生成）的技术基础，当然除了以上案例外，你可以使用 Redis 或 ES 来存储向量数据，并尝试加入 DeepSeek 实现 RAG 功能，这种形式更符合企业真实的技术应用。
