1. 原理介绍

什么是向量：一个有大小有方向的量。

向量化也叫 Embedding，是将文本、图片等非结构化数据，转换成固定维度浮点数字数组的过程。自然语言无法被计算机直接运算比对，转为向量数值后，就能通过数学算法计算文本间相似度。

核心原理：

• 把每一段文字，变成一组固定长度的数字比如 1024 个数字组成一个数组。
• 语义越接近的文字 → 数字排列越像
• 语义差别越大 → 数字差别越大

数组里每一个小数，对应文本某一类语义特征，维度越多，刻画特征越精细。以简化 4 维向量举例，预设维度对应含义：

• 第 1 位：场景建筑属性
• 第 2 位：环境破败程度
• 第 3 位：人物行动动作
• 第 4 位：氛围情绪感受

示例文本对应向量赋值：

• 主角走进了一间破旧的小屋
  [0.85, 0.92, 0.78, 0.61]
• 主角进入了一间老旧的房子
  [0.83, 0.90, 0.80, 0.59]
• 今日户外阳光明媚
  [0.10, 0.05, 0.22, 0.95]

数值区间一般在 [- 1, 1] 之间，数值越趋近，代表对应特征高度吻合；数值偏差越大，特征差异越大。真实业务中是 1024 维向量，全方位覆盖人物、剧情、场景、情绪等海量特征。

行业通用余弦相似度计算，把向量看作空间坐标点，通过两点夹角判定相似程度。几何逻辑每一组向量，等同于多维空间里的一个点位。语义相近的文本，对应空间点位距离近、夹角小；语义无关文本，点位距离远、夹角大。

2. 向量数据库使用

这里我们使用redis stack

导入依赖：

        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-starter-vector-store-redis</artifactId>
        </dependency>

配置

spring:
  application:
    name: SAA-08ChatMemory
  ai:
    dashscope:
      base-url: https://dashscope.aliyuncs.com/
      api-key: ${AliQWenAPIKey}
      chat:
        options:
          model: qwen-plus
      #用于向量化的大模型
      embedding:
        options:
          model: text-embedding-v3
    #Redis stack
    vectorstore:
      redis:
        #启用初始化
        initialize-schema: true
        #索引名
        index-name: custom-index
        #数据前缀
        prefix: custom-prefix
  #reids
  data:
    redis:
      host: 127.0.0.1
      port: 6379
      database: 0

不同类型的大模型擅长领域不同，索引这里我们单独配置了一个用于文本向量处理的大模型

2.1 文本向量化

要存入向量数据库首先需要吧文本向量化：

@RestController
public class EmbedToVectorController {
    @Autowired
    private EmbeddingModel embeddingModel;
    @GetMapping("/textToEmbed")
    public EmbeddingResponse textToEmbed(String text) {
        EmbeddingResponse embeddingResponse = embeddingModel
                .call(
                        new EmbeddingRequest(
                                List.of(text),
                                DashScopeEmbeddingOptions
                                        .builder()
                                        .build()
                        )
                );
        System.out.println(Arrays.toString(embeddingResponse.getResult().getOutput()));
        return embeddingResponse;
    }
}

这里直接注入embeddingModel，调用其call方法，传入一个EmbeddingRequest对象（包含需要向量化的文本，DashScopeEmbeddingOptions为额外可设置参数）

2.2 存储

@RestController
public class EmbedToVectorController {

    @Autowired
    private VectorStore vectorStore;

    @GetMapping("/add")
    public void add() {
        List<Document> documents = List.of(
                new Document("火影忍者"),
                new Document("海贼王")
        );
        vectorStore.add(documents);
    }
}

这里VectorStore内部会自己先对数据向量化再存入：

调用之后可以看到redis中已经出现了key，类型是ReJSON

ReJSON常用命令：

• JSON.SET - 设置 JSON 值
• JSON.GET - 获取 JSON 值
• JSON.DEL - 删除 JSON 值
• JSON.MGET - 批量获取多个键的 JSON 值
• JSON.TYPE - 获取 JSON 值的类型
• JSON.NUMINCRBY - 对 JSON 中的数字进行增量操作
• JSON.STRAPPEND - 追加字符串到 JSON 字符串
• JSON.STRLEN - 获取 JSON 字符串的长度

2.3 查询

@RestController
public class EmbedToVectorController {

    @Autowired
    private VectorStore vectorStore;

    @GetMapping("/get")
    public List<Document> get(String msg) {
        SearchRequest searchRequest = SearchRequest
                .builder()
                .query(msg)//查询词
                .topK(2)//取前2个
                .build();
        List<Document> list = vectorStore.similaritySearch(searchRequest);
        System.out.println(list);
        return list;
    }
}

先使用SearchRequest创建一个查询对象，然后传入VectorStore的similaritySearch进行查询

score代表相关性，数字越大，相关性越高：