企业官网建设流程全解析

内存/Redis/PGVector/Milvus/ES 怎么选？Spring AI VectorStore 抽象与向量库选型对照表

系列：Spring AI 深入浅出（第 10 篇）
版本：Spring AI 2.0.1 / Spring Boot 4.1.x / JDK 21
标签：#SpringAI #向量库 #PGVector #RAG
前置阅读：第 9 篇《RAG 原理与 ETL 管线》
预计字数：6500 字｜可复制源码 + 选型对照表 + 踩坑 FAQ

本文将解决：VectorStore一个抽象换掉，RAG 代码不用改；难的是选对库。本文给你一张照着选的对照表，并用 PGVector 跑通接入。

你将学到：

• VectorStore可移植抽象（2.0 统一，覆盖 20+ 数据库）
• SQL-like 元数据过滤（FilterExpression）
• 各向量库选型对照表（内存/PGVector/Redis/Milvus/ES）
• embedding 模型选择与维度一致性
• PGVector 完整接入实战

一、版本标注

本文基于 Spring AI 2.0.1 / Boot 4.1 / JDK 21。2.0 把VectorStore统一成一个覆盖 20+ 数据库的可移植抽象，具体各实现的配置项以 2.0.1 官方文档为准。

二、VectorStore 可移植抽象

第 9 篇的 ETL 里，业务代码只和VectorStore接口打交道：

publicinterfaceVectorStore{voidadd(List<Document>documents);// 入库（内部会向量化）List<Document>similaritySearch(SearchRequestrequest);// 相似度检索}

换库 = 换VectorStore的实现 Bean，业务代码零改动：

业务代码 ↓ 只依赖接口 VectorStore 接口 ├── SimpleVectorStore（内存，测试用） ├── PgVectorStore（PostgreSQL） ├── RedisVectorStore ├── MilvusVectorStore ├── ElasticsearchVectorStore └── ...（20+ 实现）

三、SQL-like 元数据过滤

向量检索不能只按相似度，还要能按业务字段过滤（如"只看工程部文档"）。Spring AI 用FilterExpression提供类似 SQL 的过滤：

importorg.springframework.ai.vectorstore.filter.FilterExpressionBuilder;FilterExpressionfilter=newFilterExpressionBuilder().eq("department","engineering")// 等于.and().gte("year",2024)// 大于等于.build();

FilterExpression会翻译成各向量库自己的过滤语法，配合检索请求使用（第 11 篇展开）。

四、各向量库选型对照表

决策口诀：

• 还没定、想快速验证 →SimpleVectorStore（内存）
• 团队已有 PostgreSQL →PGVector（几乎零新增成本，最常用）
• 团队已有 Redis / 要极致延迟 → Redis
• 向量规模大、要专业检索 → Milvus
• 要全文 + 向量混合检索 → Elasticsearch

五、embedding 模型选择与维度一致性

向量库存的是 embedding 向量，维度由 embedding 模型决定，必须和库的建表维度一致。

选择 embedding 模型看三点：

1. 维度：常见 768 / 1024 / 1536 等，选定后库建表要一致
2. 中文效果：中文场景选中文友好的模型（如 BGE 系列）
3. 本地 vs 云端：本地（如 Ollama 的 embedding 模型）免费但需硬件；云端效果好

经验：先定 embedding 模型，再按它的维度建库；中途换模型=换维度=要重建索引，代价大，所以要早定。

六、PGVector 接入实战

6.1 依赖

<!-- PGVector 向量库 --><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-vector-store-pgvector</artifactId></dependency><!-- PostgreSQL 驱动 --><dependency><groupId>org.postgresql</groupId><artifactId>postgresql</artifactId></dependency>

6.2 建库（先开扩展 + 建表）

-- 启用 pgvector 扩展CREATEEXTENSIONIFNOTEXISTSvector;

建表语句（含向量列，维度与 embedding 模型一致，如 1024）：

CREATETABLEIFNOTEXISTSvector_store(id uuidPRIMARYKEY,contenttext,metadata json,embedding vector(1024));

6.3 配置与使用

spring:datasource:url:jdbc:postgresql://localhost:5432/aiusername:postgrespassword:postgres

业务代码和第 9 篇完全一样，只是VectorStore的实现换成了PgVectorStore（由 starter 自动装配，具体 Bean 配置以 2.0.1 文档为准）。

七、原理图解：VectorStore 抽象层

换库 = 换 B 下面一个节点，A 之上纹丝不动。

八、踩坑 FAQ

坑 1：PGVector 没开扩展

现象：接入 PGVector 后报找不到 vector 类型。
原因：没执行CREATE EXTENSION vector。
解决：先在目标库执行扩展语句，再建表。

坑 2：维度不一致，写入失败

现象：入库报向量维度不匹配。
原因：embedding 模型输出维度 ≠ 建表vector(N)的维度。
解决：核对 embedding 维度，重建表（改vector(N)）。

坑 3：metadata filter 表达式语法错

现象：过滤查询报错或结果为空。
原因：FilterExpressionBuilder的字段名/操作符和元数据对不上。
解决：确认元数据的 key 名一致，用.eq()/.and()/.gte()等组合；核对各库翻译后的语法。

坑 4：用内存库跑测试，数据不持久

现象：SimpleVectorStore重启数据就没了。
原因：内存实现，本来就是测试用。
解决：生产用 PGVector/Milvus 等持久化实现。

坑 5：切换向量库后，已有的向量要重建

现象：从内存切到 PGVector，发现要重新入库。
原因：向量库之间不通用，切换=重新跑 ETL。
解决：尽早定库；ETL 写成可重跑的幂等脚本，切库后一键重建。

九、小结与合集导航

本篇核心：面向VectorStore接口编程，用一张对照表选对库。

• VectorStore可移植抽象（2.0 统一，20+ 实现）
• FilterExpression做 SQL-like 元数据过滤
• 选型口诀 + embedding 维度一致性
• PGVector 完整接入

下一篇：《QuestionAnswerAdvisor 检索优化》——RAG 答非所问/幻觉怎么破，从召回优化讲起。

十、互动钩子

投票：你生产用哪个向量库？

• 还没定/内存
• PGVector
• Redis
• Milvus
• Elasticsearch

评论区聊聊你的向量库选型理由；源码见置顶评论。