30分钟教你上手用Java快速搭建你的第一个向量数据库

<dependencies>
    <dependency>
        <groupid>io.milvus</groupid>
        <artifactid>milvus-sdk-java</artifactid>
        <version>2.4.3</version>
    </dependency>
    <dependency>
        <groupid>org.apache.commons</groupid>
        <artifactid>commons-lang3</artifactid>
        <version>3.14.0</version>
    </dependency>
    <dependency>
        <groupid>org.slf4j</groupid>
        <artifactid>slf4j-simple</artifactid>
        <version>2.0.9</version>
    </dependency>
</dependencies>

import io.milvus.client.milvusclient;
import io.milvus.param.connectparam;
import io.milvus.param.milvusclientparam;
import io.milvus.param.r;
import io.milvus.param.collection.createcollectionparam;
import io.milvus.param.collection.fieldtype;
import io.milvus.param.dml.insertparam;
import io.milvus.param.dml.searchparam;
import io.milvus.response.insertresponse;
import io.milvus.response.searchresponse;
import org.apache.commons.lang3.randomutils;

import java.util.arraylist;
import java.util.list;

public class vectordbdemo {
    // milvus lite 数据库连接地址（本地文件路径，自定义）
    private static final string milvus_url = "localhost:19530";
    // 集合名称（类似表名，自定义）
    private static final string collection_name = "java_vector_demo";
    // 向量维度（需与生成的向量维度一致，这里选128维）
    private static final int vector_dim = 128;

    public static void main(string[] args) {
        // 1. 构建连接参数
        connectparam connectparam = connectparam.newbuilder()
                .withhost("localhost")
                .withport(19530)
                .build();

        // 2. 创建 milvus 客户端
        milvusclient client = new milvusclient(connectparam);

        // 测试连接是否成功
        r<boolean> healthcheck = client.checkhealth();
        if (healthcheck.getdata()) {
            system.out.println("✅ 数据库连接成功！");
        } else {
            system.out.println("❌ 数据库连接失败：" + healthcheck.getmessage());
            return;
        }

        // 后续操作（创建集合、插数、查询）将在这里补充
    }
}

// 3. 创建集合（先判断是否存在，存在则删除）
if (client.hascollection(collection_name).getdata()) {
    client.dropcollection(collection_name);
    system.out.println("⚠️  集合已存在，已删除");
}

// 定义字段：主键字段（自增id）
fieldtype idfield = fieldtype.newbuilder()
        .withname("id")
        .withdatatype(fieldtype.datatype.int64)
        .withprimarykey(true)
        .withautoid(true) // 自增
        .build();

// 定义字段：向量字段（核心）
fieldtype vectorfield = fieldtype.newbuilder()
        .withname("content_vector")
        .withdatatype(fieldtype.datatype.floatvector)
        .withdimension(vector_dim) // 向量维度与生成的一致
        .build();

// 定义字段：普通属性字段（存储文本原文，方便查询后展示）
fieldtype textfield = fieldtype.newbuilder()
        .withname("text_content")
        .withdatatype(fieldtype.datatype.varchar)
        .withmaxlength(512) // 文本最大长度
        .build();

// 构建创建集合的参数
createcollectionparam createparam = createcollectionparam.newbuilder()
        .withcollectionname(collection_name)
        .addfieldtype(idfield)
        .addfieldtype(vectorfield)
        .addfieldtype(textfield)
        .withconsistencylevel(createcollectionparam.consistencylevelenum.strong) // 一致性级别
        .build();

// 执行创建集合
r<boolean> createresult = client.createcollection(createparam);
if (createresult.getdata()) {
    system.out.println("✅ 集合创建成功！");
} else {
    system.out.println("❌ 集合创建失败：" + createresult.getmessage());
    client.close();
    return;
}

// 4. 生成测试数据（5条文本，模拟用户问答场景）
list<string> textlist = new arraylist<>();
textlist.add("java 中如何创建线程？有几种方式？");
textlist.add("java 线程的生命周期包括哪些状态？");
textlist.add("spring boot 如何配置数据库连接池？");
textlist.add("spring cloud 与 spring boot 的区别是什么？");
textlist.add("java 8 的 lambda 表达式有什么用法？");

// 生成向量：将每条文本转化为128维向量（模拟，实际用模型生成）
list<list<float>> vectorlist = new arraylist<>();
for (int i = 0; i < textlist.size(); i++) {
    list<float> vector = new arraylist<>();
    for (int j = 0; j < vector_dim; j++) {
        // 用随机数模拟向量（真实场景替换为模型输出）
        vector.add(randomutils.nextfloat(0.0f, 1.0f));
    }
    vectorlist.add(vector);
}

// 构建插入参数
insertparam insertparam = insertparam.newbuilder()
        .withcollectionname(collection_name)
        .addfield("text_content", textlist) // 插入文本字段
        .addfield("content_vector", vectorlist) // 插入向量字段
        .build();

// 执行插入
r<insertresponse> insertresult = client.insert(insertparam);
if (insertresult.getdata() != null) {
    system.out.println("✅ 数据插入成功！插入条数：" + textlist.size());
    system.out.println("插入数据id：" + insertresult.getdata().getinsertids());
} else {
    system.out.println("❌ 数据插入失败：" + insertresult.getmessage());
    client.close();
    return;
}

// 5. 创建向量索引（提升查询效率）
// 索引参数（ivf_flat 是基础索引类型，适合小数据量）
string indexparam = string.format("{\"index_type\": \"ivf_flat\", \"params\": {\"nlist\": 1024}, \"metric_type\": \"l2\"}");
r<boolean> createindexresult = client.createindex(
        collection_name,
        "content_vector", // 向量字段名
        indexparam
);
if (createindexresult.getdata()) {
    system.out.println("✅ 向量索引创建成功！");
} else {
    system.out.println("❌ 索引创建失败：" + createindexresult.getmessage());
    client.close();
    return;
}

// 6. 加载集合到内存（查询前必须执行）
r<boolean> loadresult = client.loadcollection(collection_name);
if (loadresult.getdata()) {
    system.out.println("✅ 集合加载到内存成功！");
} else {
    system.out.println("❌ 集合加载失败：" + loadresult.getmessage());
    client.close();
    return;
}

// 7. 执行相似度查询（模拟用户查询："java 线程相关问题"）
string querytext = "java 线程相关问题";
// 生成查询向量（同样用随机数模拟，真实场景与数据向量用同一模型生成）
list<float> queryvector = new arraylist<>();
for (int j = 0; j < vector_dim; j++) {
    queryvector.add(randomutils.nextfloat(0.0f, 1.0f));
}

// 构建查询参数
searchparam searchparam = searchparam.newbuilder()
        .withcollectionname(collection_name)
        .withmetrictype(searchparam.metrictype.l2) // 距离计算方式（l2为欧氏距离）
        .withtopk(2) // 返回最相似的2条数据
        .withvectorfieldname("content_vector")
        .addvector(queryvector)
        .withparams("{\"nprobe\": 10}") // 索引查询参数
        .addoutputfield("text_content") // 要返回的字段
        .build();

// 执行查询
r<searchresponse> searchresult = client.search(searchparam);
if (searchresult.getdata() != null) {
    system.out.println("\n🔍 查询结果（与\"" + querytext + "\"最相似的2条数据）：");
    // 解析查询结果
    searchresponse.data data = searchresult.getdata().get(0);
    for (int i = 0; i < data.getscorecount(); i++) {
        float score = data.getscores().get(i); // 相似度分数（l2距离越小越相似）
        string text = data.getfields().get("text_content").get(i).tostring(); // 文本内容
        system.out.println((i+1) + ". 相似度：" + string.format("%.4f", score) + "，内容：" + text);
    }
} else {
    system.out.println("❌ 查询失败：" + searchresult.getmessage());
}

// 关闭客户端
client.close();