大家好，我是Java1234_小锋老师，最近更新《2027版本 Spring AI 2.0 开发Java Agent智能体 视频教程》专辑，感谢大家支持。

本课程主要介绍和讲解Spring AI 2.0简介，Spring AI 2.0 HelloWorld搭建，Advisors — 拦截器模式增强AI能力，对话与提示词工程（Prompt），工具调用 (Function Calling / Tools) ，RAG (检索增强生成)，MCP(模型 上下文协议)和多模态支持。
等这个Spring AI2.0基础课程录制完成，接下来要发布2个 企业级Java AI实战课程，RAG 企业知识库系统和AI智能客服系统。大家可以点点关注，后面更精彩。

视频教程+课件+源码打包下载：

链接：https://pan.baidu.com/s/1o-zRfndo1HHrS_uFroOiCw?pwd=1234
提取码：0000

Spring AI 2.0 开发Java Agent智能体 - 嵌入模型(Embedding Model)与向量数据库(Vector Databases)

一，什么是嵌入模型

1.1 什么是嵌入？

简单来说，嵌入（Embedding）是一种将非数字数据（如单词、句子、图像、甚至整个文档）转换为计算机能够理解的数字向量的技术。

向量是数学、物理学及工程科学中的基础概念，指同时具有大小和方向的量‌，与只有大小没有方向的标量（如温度、质量）相对。‌‌

• 数据：比如一句话：“我喜欢吃苹果”。
• 向量：经过嵌入模型处理后，这句话会变成一个由数百个浮点数组成的数组，例如：[0.125, -0.342, 0.987, ..., 0.045]。

这个向量不是随机生成的，它通过复杂的神经网络模型训练得出，能够捕获原始数据的语义信息。

1.2 嵌入模型的核心作用：将“意义”映射到“向量空间”

嵌入模型最关键的特性是，它会把相似的语义内容映射到向量空间中的相近位置。

• 例子：
  • 句子A：“我喜欢吃苹果”
  • 句子B：“我爱吃香蕉”
  • 句子C：“火箭发射升空”

经过嵌入模型后，在向量空间中：

• 句子A和句子B的距离会非常近（因为都是表达对水果的喜爱）。
• 句子C与A、B的距离会非常远（因为讨论的是完全不同的主题）。

1.3 为什么需要嵌入模型？

1. 语义搜索：传统的搜索引擎依赖关键词匹配（比如搜索“苹果”只会返回包含“苹果”这两个字的结果）。而基于嵌入的搜索是语义上的理解和匹配，即使搜索“一种富含维生素的水果”，也能找到关于“苹果”的文档。
2. 信息压缩与表示：将一个复杂的对象（图片、长文本）压缩成一个固定长度的、富含语义信息的向量。
3. 作为大模型的“外部记忆”：这是最广泛的应用之一。大模型的知识是静态的（训练到某个时间点），且上下文窗口有限。通过嵌入，我们可以将海量的私有知识（公司文档、产品手册）向量化，然后在需要时检索出最相关的部分，再“喂”给大模型，让它基于这些知识回答问题，从而解决模型的知识局限和幻觉问题。

1.4 常见嵌入模型

• OpenAI 的 text-embedding-3-small 和 text-embedding-3-large：目前性能强大的通用文本嵌入模型。
• BAAI/bge-* 系列：北京智源研究院开源的优秀中英文嵌入模型。
• sentence-transformers：一个非常流行的Python库，提供了大量预训练的句子、段落嵌入模型。
• 多模态嵌入模型：如 CLIP，可以将图片和文本嵌入到同一个向量空间，实现文本搜图、图搜图等功能。

阿里百炼平台的嵌入模型，

目前文本嵌入模型，最新版本 text-embedding-v4，支持64~2048维用户自定义向量维度。

项目里，application.yml里我们指定下嵌入模型和维度

spring:
  application:
    name: helloWorld
  ai:
    model:
      embedding: openai
    openai:
      api-key: ${OPENAI_API_KEY}
      base-url: https://dashscope.aliyuncs.com/compatible-mode
      chat:
        options:
          model: qwen3.6-plus
      embedding:
        options:
          model: text-embedding-v4
          dimensions: 2048  # 向量维度

然后controller包下，新建MyEmController，以及注入openAiEmbeddingModel，新建em测试方法。

package com.java1234.controller;

import org.springframework.ai.openai.OpenAiEmbeddingModel;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

import java.util.Arrays;

@RestController
public class MyEmController {

    @Autowired
    private OpenAiEmbeddingModel openAiEmbeddingModel;

    @RequestMapping("/em")
    public String em() {
        float[] textVector1=openAiEmbeddingModel.embed("学java上java1234.com");
        System.out.println(textVector1.length+":"+Arrays.toString(textVector1));
        return "OK";
    }
}

浏览器输入：http://localhost:8080/em

控制台返回：

我们在看一个示例，求下欧氏距离，距离越小，说明越相似：

    @RequestMapping("/em")
    public String em() {
        float[] textVector1=openAiEmbeddingModel.embed("学java上java1234.com");
        float[] textVector2=openAiEmbeddingModel.embed("java1234.com网站教学Java质量真不错");
        float[] textVector3=openAiEmbeddingModel.embed("我喜欢吃苹果");
        System.out.println(textVector1.length+":"+Arrays.toString(textVector1));
        System.out.println(textVector2.length+":"+Arrays.toString(textVector2));
        System.out.println(textVector3.length+":"+Arrays.toString(textVector3));
        double dist12 = euclideanDistance(textVector1, textVector2);
        double dist13 = euclideanDistance(textVector1, textVector3);
        System.out.println("textVector1 与 textVector2 欧氏距离: " + dist12);
        System.out.println("textVector1 与 textVector3 欧氏距离: " + dist13);
        return "OK";
    }

    /**
     * 计算两个向量的欧氏距离
     *
     * @param a 向量1
     * @param b 向量2
     * @return 欧氏距离
     */
    private static double euclideanDistance(float[] a, float[] b) {
        if (a.length != b.length) {
            throw new IllegalArgumentException("向量维度不一致");
        }
        double sumSq = 0;
        for (int i = 0; i < a.length; i++) {
            double d = a[i] - b[i];
            sumSq += d * d;
        }
        return Math.sqrt(sumSq);
    }

运行结果：

二，什么是向量数据库

2.1 什么是向量数据库？

向量数据库是一种专门设计用来存储、索引和查询向量数据的数据库。

传统的关系型数据库擅长存储和查询结构化数据（如表格中的姓名、年龄），但它们无法高效处理向量的“相似性检索”需求。

2.2 向量数据库的核心功能：相似性搜索

向量数据库的核心能力是近似最近邻检索。

• 任务：给定一个查询向量，在数据库中快速找到与之最相似的K个向量。

• 算法：它不进行暴力的一一比对，而是使用专门的索引算法（如 HNSW——分层可导航小世界图，IVF——倒排文件索引）来极大地提高搜索效率。即便数据库中有十亿个向量，也能在毫秒级内返回结果。

• 距离度量：通常通过计算向量之间的“距离”来衡量相似度。

  • 余弦相似度：衡量方向上的相似度（最常用）。
  • 欧氏距离：衡量空间中的直线距离。
  • 点积：衡量两个向量的投影。

2.3 为什么需要向量数据库？

1. 高效的检索性能：专为大规模向量相似性搜索优化，这是传统数据库无法做到的。
2. 元数据过滤：在实际应用中，向量通常还附带元数据。例如，一个商品图片的向量可能还附有“商品ID”、“价格”、“类别”等信息。向量数据库允许你在进行相似性搜索时，先或同时根据这些元数据进行过滤（例如，“找到与这件红色T恤最相似的衣服，且价格低于100元”）。
3. 数据管理：提供增删改查、数据持久化、备份、容灾等标准的数据库功能。
4. 与嵌入模型和大模型的完美集成：它们共同构成了现代AI应用（如RAG——检索增强生成）的数据流水线。

2.4 常用的向量数据库有哪些

以下是5个最常用的向量数据库对比表格：

数据库	类型	特点	优点	适用场景
Pinecone	商业SaaS	全托管云服务	上手最快，零运维，提供免费额度	快速原型开发，不想自己搭建维护的项目
Milvus	开源/商业	功能最全面的专业向量数据库	支持十亿级向量，索引类型丰富，性能强大	大规模生产环境，对性能要求高的场景
Qdrant	开源/商业	Rust编写，性能优异	内存占用低，API友好，支持过滤	需要高性能、资源受限的环境
Chroma	开源	Python原生，轻量级	极简API，与LangChain集成好，本地开发友好	本地开发、学习、小型项目
pgvector	PostgreSQL扩展	基于PostgreSQL	支持ACID事务，SQL语法，无需引入新数据库	已有PostgreSQL，向量数据量百万级以内

三，两者的协同工作 —— RAG流程示例

这是目前最经典的AI应用架构，可以清晰地看到嵌入模型和向量数据库是如何配合的。

场景：构建一个基于公司内部知识库的智能问答机器人。

第一步：数据预处理与索引（入库阶段）

1. 准备文档：收集所有公司文档（PDF、Word、内部Wiki等）。
2. 文本分块：将长文档切分成更小的段落或“块”。
3. 生成嵌入：使用嵌入模型，为每一个文本块生成一个向量。
4. 存储：将生成的向量，连同原始的文本块和相关的元数据（如文档来源、页码），一起存入向量数据库。

第二步：用户提问与检索（查询阶段）

1. 用户提问：用户问：“我们公司的年假政策是什么？”
2. 问题嵌入：使用相同的嵌入模型，将用户的这个问题也转换成一个向量。
3. 向量检索：将这个代表问题的向量发送到向量数据库进行查询。数据库会迅速返回与问题向量最相似的K个文本块向量。
4. 获取上下文：根据返回的向量ID，取出对应的原始文本块内容。

第三步：生成答案（生成阶段）

1. 构建提示词：将用户的问题 + 检索到的相关文本块（作为上下文）组合成一个提示词。
2. 调用大语言模型：将提示词发送给大语言模型（如GPT-4），并指示它“请根据提供的上下文回答问题”。
3. 返回答案：大模型阅读并理解上下文后，生成一个准确、有据可依的答案返回给用户。

Spring AI2.0支持的向量数据库还是比较多的。我们课程选用Redis。

这里的Redis不是普通的Redis Server，而是支持向量存储的redis-stack。

我们windows跑的话，一般都是跑docker里的，windows平台建议大家去安装一个Docker Desktop，比较方便。

https://www.docker.com/products/docker-desktop/

接下来 直接 运行 安装，运行镜像命令：

docker run -d --name redis-stack -p 6379:6379 -p 8001:8001 -v d:/redis-data:/data redis/redis-stack:latest

6379端口映射的是redis-stack服务，8001端口映射的是可视化服务。

接下来项目里把向量存入Redis-stack向量数据库。

首先第一步，pom.xml加下redis的向量支持依赖以及jedis客户端。

<dependency>
			<groupId>org.springframework.ai</groupId>
			<artifactId>spring-ai-starter-vector-store-redis</artifactId>
		</dependency>
		<!--
		  Spring AI RedisVectorStoreAutoConfiguration 仅在存在 JedisConnectionFactory 时生效（不用 Lettuce）。
		  因此改用 Jedis，并从 starter 中排除 Lettuce。
		-->
		<dependency>
			<groupId>org.springframework.boot</groupId>
			<artifactId>spring-boot-starter-data-redis</artifactId>
			<exclusions>
				<exclusion>
					<groupId>io.lettuce</groupId>
					<artifactId>lettuce-core</artifactId>
				</exclusion>
			</exclusions>
		</dependency>
		<dependency>
			<groupId>redis.clients</groupId>
			<artifactId>jedis</artifactId>
		</dependency>

接下来第二步：application.yml里配置下redis连接，以及redis向量配置

spring:
  application:
    name: helloWorld
  data:
    redis:
      client-type: jedis
      url: redis://localhost:6379
  ai:
    model:
      embedding: openai
    vectorstore:
      redis:
        initialize-schema: true # 是否在启动时创建/初始化向量索引等结构
        index-name: java1234_ai_vector_index  # RediSearch 里的 索引名
        prefix: "java1234_"   # 存向量文档用的 Redis 键前缀
    openai:
      api-key: ${OPENAI_API_KEY}
      base-url: https://dashscope.aliyuncs.com/compatible-mode
      chat:
        options:
          model: qwen3.6-plus
      embedding:
        options:
          model: text-embedding-v4
          dimensions: 2048  # 向量维度

最后第三步，MyEmController里，我们注入VectorStore，以及写一个addDoc和query

package com.java1234.controller;

import org.springframework.ai.document.Document;
import org.springframework.ai.openai.OpenAiEmbeddingModel;
import org.springframework.ai.vectorstore.SearchRequest;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

import java.util.Arrays;
import java.util.List;

@RestController
public class MyEmController {

    @Autowired
    private OpenAiEmbeddingModel openAiEmbeddingModel;

    @Autowired
    private VectorStore vectorStore;

    @RequestMapping("/addDoc")
    public String addDoc(){
        List<Document> docs = List.of(
                new Document("学java上java1234.com"),
                new Document("java1234.com是个学Java的好地方"),
                new Document("我喜欢打篮球")
        );
        vectorStore.add(docs);
        return "OK";
    }

    @RequestMapping("/query")
    public String query() {
        List<Document> docs = vectorStore.similaritySearch(
                SearchRequest.builder()
                        .query("去哪里学Java ?")
                        .topK(2)
                        .build());
        System.out.println(docs);
        return "OK";
    }

    @RequestMapping("/em")
    public String em() {
        float[] textVector1=openAiEmbeddingModel.embed("学java上java1234.com");
        float[] textVector2=openAiEmbeddingModel.embed("java1234.com网站教学Java质量真不错");
        float[] textVector3=openAiEmbeddingModel.embed("我喜欢吃苹果");
        System.out.println(textVector1.length+":"+Arrays.toString(textVector1));
        System.out.println(textVector2.length+":"+Arrays.toString(textVector2));
        System.out.println(textVector3.length+":"+Arrays.toString(textVector3));
        double dist12 = euclideanDistance(textVector1, textVector2);
        double dist13 = euclideanDistance(textVector1, textVector3);
        System.out.println("textVector1 与 textVector2 欧氏距离: " + dist12);
        System.out.println("textVector1 与 textVector3 欧氏距离: " + dist13);
        return "OK";
    }

    /**
     * 计算两个向量的欧氏距离
     *
     * @param a 向量1
     * @param b 向量2
     * @return 欧氏距离
     */
    private static double euclideanDistance(float[] a, float[] b) {
        if (a.length != b.length) {
            throw new IllegalArgumentException("向量维度不一致");
        }
        double sumSq = 0;
        for (int i = 0; i < a.length; i++) {
            double d = a[i] - b[i];
            sumSq += d * d;
        }
        return Math.sqrt(sumSq);
    }
}

我们来测试下，浏览器输入：http://localhost:8080/addDoc

我们可以用 redis-stack可视化服务，来查看redis向量数据。浏览器输入：http://localhost:8001/

我们在通过VectorStore的 similaritySearch 方法进行相似性搜索。

浏览器输入：http://localhost:8080/query

返回结果：

[Document{id='1dc1fc3c-0bd6-46ad-b857-fecb74636ea5', text='学java上java1234.com', media='null', metadata={distance=0.15828251838684082, vector_score=0.316565096378}, score=0.8417174816131592}, Document{id='33ff1eb9-3ca4-4381-80e4-b1ed4670ff56', text='java1234.com是个学Java的好地方', media='null', metadata={distance=0.15871202945709229, vector_score=0.317424118519}, score=0.8412879705429077}]

找到两个最相似的结果。