Spring with AI (4): 搜索扩展——向量数据库与RAG(上)

本文代码：
https://github.com/JunTeamCom/ai-demo/tree/release-4.0
https://github.com/JunTeamCom/ai-demo-tools/tree/release-4.0/data-loader
本章只讲解RAG整体流程、向量数据库、数据写入；
查询向量数据库、RAG应用在下一讲。
Spring with AI系列，只关注上层AI的应用程序（基于JAVA搭建），不关注底层的LLM原理、搭建等技术。

RAG能通过实时搜索数据库的方式，扩展已经训练固化的大模型的知识能力。
RAG（Retrieval-Augmented Generation）检索增强生成
retrieval /rɪˈtriːvl/ n.检索
augmented /ɔ:g'mentɪd/ adj.增强的
generation /ˌdʒenəˈreɪʃn/ n.生成

通过检索、增强大模型生成的内容。
在前文中，我们通过文本模板，补充了“规则”，进而增强了大模型生成的内容。
然而这只是简单的“文本匹配+配置文件”的方式，面对复杂问题和庞大的知识库，完全不具备现实意义。
RAG整体的流程和组成部分如下：
flowchart LR    subgraph VectorDB[向量数据库模块]        VectorStore[(向量数据库)]:::db    end    subgraph DocumentLoader[文档加载模块]        OriginalDocs[① 原始文档] --> Splitter[文档分割器]:::process        Splitter --> DocChunks[② 文档分块]        DocChunks --> CalcEmb[③ 计算向量嵌入]:::process        CalcEmb -->|存入| VectorStore    end    subgraph RAGApp[支持RAG的应用]        Question[问题] --> App[④ 应用]:::app        App -->|搜索相似文档| VectorStore        VectorStore -->|返回相似文档| App        App --> Prompt[⑤ 组装提示词]        Prompt --> LLM[大语言模型]        LLM --> Answer[答案]        Answer --> App        App --> Output[输出答案]    end    classDef process fill:#a5d6a7,stroke:#388e3c,stroke-width:2px    classDef app fill:#ffab91,stroke:#e64a19,stroke-width:2px    classDef db fill:#bbdefb,stroke:#1976d2,stroke-width:2px    classDef llm fill:#ffcc80,stroke:#f57c00,stroke-width:2px1 引言

自然语言，是怎么变成向量、并且用于检索的呢？
将句子拆分为最小语义单元（token），再通过词汇表为每个token分配唯一ID；这样自然语言就编码变成了向量。例如：["我", "爱", "北京"] → [3, 54, 65]。再进行编码、降维等处理，自然语言就变成了向量。
如何检索呢？本质上是计算问题与答案直接的相关性，也就是“距离”；而这个距离，是通过向量的“余弦相似度”测算的，计算两个向量夹角的余弦值来衡量它们相似度的一种方法，值越接近1表示越相似，越接近-1表示越不相似。这种算法的优点是：
不受向量长度影响：只关注方向一致性，适合不同长度的文本或特征向量。
计算复杂度低：尤其适合稀疏向量，只需考虑非零分量。
2 安装向量数据库

本文以Qdrant(功能全部署相对简单)为例。当然还有Milvus(阿里云向量数据库基础)、ChromaDB(Python原生支持)、FAISS(Meta开源产品)等选择，没有本质的差别。
比较完整的一个向量数据库列表：

• Apache Cassandra
  
• Chroma
  
• Elasticsearch
  
• GemFire
  
• SAP Hana
  
• Milvus
  
• MongoDB
  
• Neo4j
  
• Pinecone
  
• PostgreSQL with pgvector extension
  
• Qdrant
  
• Redis with RediSearch module
  
• Weaviate
  
• FAISS
  

可以看到，一些列存储数据库/KV数据库/文档数据库/图数据库也在列表。
Qdrant安装还是相对复杂的，所以一般是推荐开箱即用的Docker方式；不过考虑到性能、还有存储目录等因素，本文才用了原生安装方式：
https://github.com/qdrant/qdrant/releases
Windows一般选择qdrant-x86_64-pc-windows-msvc.zip版本；比如解压到E:\Softwares\Qdrant

1. mkdir E:\Softwares\Qdrant

复制代码

然后创建几个子目录：

1. mkdir E:\Softwares\Qdrant\storage
2. mkdir E:\Softwares\Qdrant\config
3. mkdir E:\Softwares\Qdrant\static
4. notepad E:\Softwares\Qdrant\config\config.yaml

复制代码

然后编辑配置文件：

1. service:
2.   host: 0.0.0.0
3.   http_port: 6333
4.   grpc_port: 6334
6. storage:
7.   storage_path: "./storage"

复制代码

然后下载Web客户端：
https://github.com/qdrant/qdrant-web-ui/releases
将包内的文件，解压到static文件夹：

1.     Directory: E:\Softwares\Qdrant\static
3. Mode                 LastWriteTime         Length Name
4. ----                 -------------         ------ ----
5. d----           2026/2/19    17:35                assets
6. -a---           2026/2/19    17:35          15086 favicon.ico
7. -a---           2026/2/19    17:35           1790 index.html
8. -a---           2026/2/19    17:35           6371 logo-red-black.svg
9. -a---           2026/2/19    17:35           6359 logo-red-white.svg
10. -a---           2026/2/19    17:35           9339 logo.png
11. -a---           2026/2/19    17:35           6177 logo192.png
12. -a---           2026/2/19    17:35          23528 logo512.png
13. -a---           2026/2/19    17:35            484 manifest.json
14. -a---           2026/2/19    17:35         436518 openapi.json
15. -a---           2026/2/19    17:35         834374 qdrant-web-ui.spdx.json
16. -a---           2026/2/19    17:35             67 robots.txt

复制代码

启动Qdrant：

1. cd E:\Softwares\Qdrant\
2. \.Qdrant.exe

复制代码

日志里显示：

1. Version: 1.17.0, build: 4ab6d2ee
2. Access web UI at http://localhost:6333/dashboard

复制代码

打开链接即可。

在Tutorial - Quick Start菜单，在第一页一路Run、即可创建一个Collection(类似MongoDB的Collection，可以认为是个表；这一步可以不做，只是为了理解向量数据库)

然后在右上角
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！