|
获取最新的快照版本，请使用 Spring AI 1.1.3！ |
GemFire 向量存储
本节将指导您如何设置GemFireVectorStore以存储文档嵌入并执行相似性搜索。
GemFire 是一个分布式、内存中的键值存储，能够以极快的速度执行读写操作。它提供高可用的并行消息队列、持续可用性以及事件驱动架构，您可以在不停机的情况下动态扩展。随着您的数据规模需求增加以支持高性能、实时应用，GemFire 可以轻松实现线性扩展。
GemFire VectorDB 扩展了 GemFire 的功能，作为一个多功能的向量数据库，能够高效地存储、检索并执行向量相似性搜索。
前提条件
-
启用 GemFire VectorDB 扩展的 GemFire 集群
-
一个用于计算文档嵌入的
EmbeddingModelbean。有关更多信息，请参阅EmbeddingModel部分。 在您的本地机器上运行的一个选项是ONNX以及全部基于MiniLM-L6-v2的Sentence Transformers。
自动配置
|
There has been a significant change in the Spring AI auto-configuration, starter modules' artifact names. Please refer to the 升级说明以获取更多信息。 |
将 GemFire VectorStore Spring Boot starter 添加到您项目的 Maven 构建文件 pom.xml 中：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-vector-store-gemfire</artifactId>
</dependency>或到您的 Gradle build.gradle 文件
dependencies {
implementation 'org.springframework.ai:spring-ai-starter-vector-store-gemfire'
}配置属性
您可以在 Spring Boot 配置中使用以下属性来进一步配置 GemFireVectorStore。
| 属性 | 默认值 |
|---|---|
|
本地主机 |
|
8080 |
|
|
|
spring-ai-gemfire-store |
|
100 |
|
16 |
|
COSINE |
|
[] |
|
0 |
手动配置
要仅使用GemFireVectorStore,而不使用Spring Boot的自动配置，请将以下依赖项添加到项目的Maven pom.xml中：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-gemfire-store</artifactId>
</dependency>对于 Gradle 用户，请在依赖项块下将以下内容添加到您的 build.gradle 文件中，以仅使用 GemFireVectorStore：
dependencies {
implementation 'org.springframework.ai:spring-ai-gemfire-store'
}
用法
这里是一个示例，它创建了一个GemfireVectorStore的实例，而不是使用AutoConfiguration
@Bean
public GemFireVectorStore vectorStore(EmbeddingModel embeddingModel) {
return GemFireVectorStore.builder(embeddingModel)
.host("localhost")
.port(7071)
.indexName("my-vector-index")
.fields(new String[] {"country", "year", "activationDate"}) // Optional: fields for metadata filtering
.initializeSchema(true)
.build();
}|
默认配置连接到位于 |
-
在您的应用程序中，创建几个文档：
List<Document> documents = List.of(
new Document("Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!!", Map.of("country", "UK", "year", 2020)),
new Document("The World is Big and Salvation Lurks Around the Corner", Map.of()),
new Document("You walk forward facing the past and you turn back toward the future.", Map.of("country", "NL", "year", 2023)));-
将文档添加到向量库中：
vectorStore.add(documents);-
要获取基于相似度搜索的文档：
List<Document> results = vectorStore.similaritySearch(
SearchRequest.builder().query("Spring").topK(5).build());你应该获取包含文本“Spring AI rocks!!”的文档。
你可以通过相似性阈值来限制结果的数量：
List<Document> results = vectorStore.similaritySearch(
SearchRequest.builder().query("Spring").topK(5)
.similarityThreshold(0.5d).build());元数据过滤
你可以利用 元数据过滤器 与 GemFire VectorStore 一起使用。
例如，你可以使用文本表达式语言：
vectorStore.similaritySearch(SearchRequest.builder()
.query("The World")
.topK(5)
.similarityThreshold(0.7)
.filterExpression("country == 'BG' && year >= 2020").build());或通过编程方式使用 Filter.Expression DSL：
FilterExpressionBuilder b = new FilterExpressionBuilder();
vectorStore.similaritySearch(SearchRequest.builder()
.query("The World")
.topK(5)
.similarityThreshold(0.7)
.filterExpression(b.and(
b.eq("country", "BG"),
b.gte("year", 2020)).build()).build());| 那些（可移动的）过滤表达式会被自动转换成特定的GemFire VectorDB查询格式。 |
例如，这个可移植的过滤表达式：
country == 'BG' && year >= 2020被转换为专有的 GemFire 向量数据库筛选格式：
country:BG AND year:[2020 TO *]
GemFire 向量存储支持多种过滤操作：
-
等式:
country == 'BG'→country:BG -
不平等:
city != 'Sofia'→city: NOT Sofia -
大于:
year > 2020→year:{2020 TO *] -
大于等于:
year >= 2020→year:[2020 TO *] -
小于:
year < 2025→year:[* TO 2025} -
小于或等于:
year ⇐ 2025→year:[* TO 2025] -
IN:
-
不在:
country nin ['BG', 'NL']→NOT country:(BG OR NL) -
AND/OR: 逻辑操作符用于组合条件
-
分组:使用括号处理复杂表达式
-
日期筛选: 日期值以 ISO 8601 格式表示（例如
2024-01-07T14:29:12Z）
|
要使用GemFire VectorStore进行元数据过滤，您必须在创建向量库时指定可以过滤的元数据字段。这是通过使用构建器中的 或者通过配置属性： |