VectorStore

VectorStore 能做什么

VectorStore 是 Spring AI 的核心接口，来看它的完整能力：
也是自动装配的

---

接口方法全览

public interface VectorStore {

    // ➕ 写入文档（自动 Embedding）
    void add(List<Document> documents);

    // ❌ 删除文档（按 ID）
    Optional<Boolean> delete(List<String> idList);

    // 🔍 相似度搜索（核心功能）
    List<Document> similaritySearch(String query);

    // 🔍 相似度搜索（带条件）
    List<Document> similaritySearch(SearchRequest request);
}

就这四个，非常简洁，核心是 写入 和 搜索。

---

逐个详细说

① add —— 写文档

Document doc1 = new Document("Spring AI 是一个 AI 框架");
Document doc2 = new Document("Redis 是一个内存数据库",
                              Map.of("category", "database", "version", "7.0"));

vectorStore.add(List.of(doc1, doc2));

做了什么：

你的文本 → EmbeddingModel → [0.12, 0.87, -0.34, ...] → 存入 Redis

Document 可以带 metadata（元数据），后面过滤要用。

---

② delete —— 删文档

// 按 Document 的 id 删除
vectorStore.delete(List.of("doc-id-1", "doc-id-2"));

Document 创建时会自动生成 UUID 作为 id，也可以自己指定：

Document doc = new Document("doc-id-001", "内容", Map.of());

---

③ similaritySearch(String) —— 最简单的搜索

List<Document> results = vectorStore.similaritySearch("什么是 Spring AI？");

results.forEach(doc -> {
    System.out.println(doc.getContent());       // 文本内容
    System.out.println(doc.getMetadata());      // 元数据
    System.out.println(doc.getScore());         // 相似度分数 0~1
});

默认返回 Top4，相似度阈值 0。

---

④ similaritySearch(SearchRequest) —— 带条件的搜索（重点）

SearchRequest request = SearchRequest
    .query("什么是 Spring AI？")   // 查询文本
    .withTopK(10)                  // 返回前10条
    .withSimilarityThreshold(0.75) // 相似度必须 >= 0.75
    .withFilterExpression("category == 'java' && version >= 3"); // 元数据过滤

List<Document> results = vectorStore.similaritySearch(request);

FilterExpression 过滤语法：

// 等于
"source == 'manual'"

// 且
"source == 'manual' && author == 'tom'"

// 或
"category == 'java' || category == 'python'"

// IN
"category in ['java', 'python', 'go']"

// 数值比较
"year >= 2023"

// NOT
"NOT source == 'test'"

过滤是在向量搜索的基础上，对 metadata 做精确筛选，相当于"先向量召回，再按条件过滤"

---

总结一句话

方法	用途
add	写知识进去（自动向量化）
delete	按 ID 删
similaritySearch(String)	快速语义搜索
similaritySearch(SearchRequest)	带 TopK + 阈值 + 元数据过滤的精确搜索

VectorStore 本身就这些，复杂度在于怎么组织 metadata 和过滤条件，这决定了你的 RAG 召回质量。有哪块想深入？