SpringAI集成RAG实操(postgresql+pgvector)中(集成到项目中)_Java

1、在pom.xml 引入依赖

  <!-- 自动整合 pgvector 向量存储 -->
 <dependency>
        <groupid>org.springframework.ai</groupid>
        <artifactid>spring-ai-starter-vector-store-pgvector</artifactid>
        <version>1.0.0-m7</version>
 </dependency>

2、application.yml 加入pgvector配置

spring:
   ai:
     dashscope:
       # 需要替换为你自己的 key
       api-key: 你的api-key
       embedding:
         options:
           model: qwen3.7-text-embedding
           dimensions: 1024
######################################################
###########   postgresql 向量数据库配置    #############
######################################################
     vectorstore:
       pgvector:
         initialize-schema: true # 会自定初始化向量数据表 vector_store
         index-type: hnsw # 量索引的类型为 hnsw（分层可导航小世界图）。
         dimensions: 1024 # 存储的向量维度为 1024。
         distance-type: cosine_distance # 相似度度量方式为“余弦距离
         max-document-batch-size: 10000 # optional: maximum number of documents per batch
         id-type: uuid
         table-name: vector_store # 向量数据表表名
         schema-name: public
	datasource:
      url: jdbc:postgresql://localhost:5432/postgres
      username: postgres
      password: 123456

项目启动时会自动创建向量数据表，表名为：vector_store

3、测试向表中vector_store 插入数据

service

/**
 *  向量数据库表 vector_store  业务操作接口类
 */
public interface ivectorstoreservice {
    /**
     * 简单示例，往向量数据库中插入字符串类型的数据
     * @param knowledge
     * @return
     */
    string addsimple(string knowledge);
    /**
     * 从向量数据库中筛选文档
     * @param content
     * @return
     */
    list<document> similaritysearch(string content);
}

serviceimpl

@service
@slf4j
public class vectorstoreserviceimpl implements ivectorstoreservice {
    @autowired
    private pgvectorstore pgvectorstore;
    @autowired
    @qualifier("openaichatmodel")
    private chatmodel chatmodel;
    @override
    public string addsimple(string knowledge) {
        document document = new document(knowledge);
        pgvectorstore.add(list.of(document));
        return "添加知识库成功";
    }
    /**
     * 根据内容相识度查询
     * @param content
     */
    public list<document> similaritysearch(string content){
        query query = new query(content);
        chatclient.builder chatclientbuilder = chatclient.builder(chatmodel);
        // 构建查询重写转换器
        rewritequerytransformer querytransformer = rewritequerytransformer.builder()
                .chatclientbuilder(chatclientbuilder)
                .build();
        // 构建翻译成中文转换器
       /* querytransformer querytransformer = translationquerytransformer.builder()
                .chatclientbuilder(chatclientbuilder)
                .targetlanguage("chinese")
                .build();*/
        // 重写
        query transform = querytransformer.transform(query);
        searchrequest searchrequest = searchrequest.builder()
                .query(transform.text()) //搜索的查询文本,重写后的查询
                .topk(5) // 返回的最大结果数
                .similaritythreshold(0.5) // 相似度阈值分数，用于筛选搜索结果。只有相似度得分大于或等于该“阈值”的文档才会被返回。请注意，这是一个在客户端而非服务端执行的后处理步骤。阈值设为 0.0 表示接受任意相似度，或禁用相似度阈值过滤；阈值设为 1.0 则表示要求完全匹配。
                //.filterexpression("title in ['如何提升自身魅力吸引潜在伴侣？']") //基于文档元数据的过滤表达式
                .build();
        // retrieve documents similar to a query
        list<document> results = pgvectorstore.similaritysearch(searchrequest);
        log.info("匹配到的知识库内容：{}",results.toarray());
        return results;
    }
}

测试方法，这里就直接写controller了，在页面上测试

/**
 * 向量数据库接口
 */
@restcontroller
@requestmapping("/vectorstore")
public class vectorstorecontroller {
    @autowired
    private ivectorstoreservice vectorstoreservice;
    /**
     * 新增数据
     * 向vector_store插入数据
     * @param knowledge 字符串类型的知识
     */
    @postmapping("/add")
    public string addsimple(string knowledge){
        return vectorstoreservice.addsimple(knowledge);
    }
    /**
     * 查询-直接接口查询
     * @param content
     * @return
     */
    @getmapping("/query")
    public list<document> similaritysearch( string content){
        return vectorstoreservice.similaritysearch(content);
    }
}