Azure AI 搜索向量数据库

Spring AI 中的 Azure AI 搜索 (以前称为 Azure Cognitive Search) 向量数据库集成了 Azure 的向量数据库服务，提供向量存储和搜索能力。

概述

Azure AI 搜索向量数据库支持：

• 向量存储和索引
• 相似性搜索
• 实时向量操作
• 可扩展向量管理

特性

向量存储

高效的向量存储

相似性搜索

快速相似性搜索

可扩展性

水平扩展

集成

轻松集成 Spring

实现

基本设置

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-azure-ai-search-store</artifactId>  <!-- 注意 artifactId 更新 -->
    <version>${spring-ai.version}</version>
</dependency>

配置

# Azure AI 搜索向量数据库配置
spring.ai.vectorstore.azure.aisearch.endpoint=YOUR_AZURE_AI_SEARCH_ENDPOINT # 例如 https://your-service-name.search.windows.net
spring.ai.vectorstore.azure.aisearch.api-key=YOUR_AZURE_AI_SEARCH_API_KEY
spring.ai.vectorstore.azure.aisearch.index-name=vector-store-index # 要使用的索引名称
# spring.ai.vectorstore.azure.aisearch.create-index-if-not-exists=true # 如果索引不存在则创建 (可选, 默认为 false)
# spring.ai.vectorstore.azure.aisearch.embedding-dimension=1536 # 嵌入维度 (如果 create-index-if-not-exists=true 则需要)

用法

@Service
public class VectorService {
    private final AzureAiSearchVectorStore vectorStore;

    public VectorService(AzureAiSearchVectorStore vectorStore) {
        this.vectorStore = vectorStore;
    }

    public void storeVector(String id, float[] vector, Map<String, Object> metadata) {
        // 注意：Azure AI 搜索通常从嵌入客户端获取嵌入
        // 此处仅为示例，实际使用时通常直接添加 Document 对象
        Document document = new Document(id, "Content related to vector", metadata);
        // 假设嵌入由 AzureAiSearchVectorStore 内部处理或您已配置 EmbeddingClient
        vectorStore.add(List.of(document));
    }

    public List<Document> searchSimilar(String query, int k) {
        return vectorStore.similaritySearch(SearchRequest.query(query).withTopK(k));
    }
}

向量操作

1. 向量存储

AzureAiSearchVectorStore 直接与 EmbeddingClient 集成以在添加文档时生成嵌入。

@Configuration
public class VectorStorageConfig {
    // AzureAiSearchVectorStore bean 通常由 Spring Boot 自动配置
    // 如果需要，您可以自定义它
}

2. 相似性搜索

@Service
public class SimilaritySearchService {
    private final AzureAiSearchVectorStore vectorStore;

    public SimilaritySearchService(AzureAiSearchVectorStore vectorStore) {
        this.vectorStore = vectorStore;
    }

    public List<Document> findSimilar(String queryText, int topK) {
        return vectorStore.similaritySearch(SearchRequest.query(queryText).withTopK(topK));
    }
}

3. 批量操作

AzureAiSearchVectorStore 支持批量添加文档。

@Service
public class BatchVectorService {
    private final AzureAiSearchVectorStore vectorStore;

    public BatchVectorService(AzureAiSearchVectorStore vectorStore) {
        this.vectorStore = vectorStore;
    }

    public void batchStore(List<Document> documents) {
        vectorStore.add(documents);
    }
}

高级特性

自定义索引配置

如果 spring.ai.vectorstore.azure.aisearch.create-index-if-not-exists 设置为 true，则会自动创建索引。 嵌入维度 (spring.ai.vectorstore.azure.aisearch.embedding-dimension) 必须与您的 EmbeddingClient 生成的维度匹配。 有关更高级的索引自定义，请参阅 Azure AI 搜索文档。

监控

Azure AI 搜索提供强大的监控功能，可以通过 Azure 门户访问。

最佳实践

使用 Azure AI 搜索向量数据库时，请考虑以下最佳实践：

• 索引设计：为您的数据和查询模式设计高效的索引。
• API 密钥管理：安全地管理您的 API 密钥。
• 批量处理：尽可能使用批量操作以提高效率。
• 错误处理：实施稳健的错误处理。
• 监控：利用 Azure 门户中的监控功能。

故障排除

常见问题及解决方案：

1. 连接问题

   • 验证端点和 API 密钥。
   • 检查网络连接性。
   • 查看防火墙设置。

2. 性能问题

   • 优化索引配置。
   • 考虑扩展您的 Azure AI 搜索服务。
   • 查看查询复杂性。

3. 存储问题

   • 监控存储使用情况。
   • 实施清理策略。
   • 查看 Azure AI 搜索服务的限制。

文档有误？请协助编辑

发现文档问题？点击此处直接在 GitHub 上编辑并提交 PR，帮助我们改进文档！