Spring AI教程（二十三）：向量数据库支持与示例项目

在前面的文章中，我们详细介绍了Spring AI支持的各种模型，包括聊天模型、图像生成模型和音频处理模型。本篇文章将探讨Spring AI支持的向量数据库以及一些示例项目，帮助你更好地应用Spring AI。

向量数据库支持

Spring AI支持多种向量数据库，用于存储和检索嵌入向量。这些数据库可以帮助你在实际应用中高效地处理大规模的向量数据。

向量数据库API

Spring AI提供了一个统一的向量数据库API，你可以通过这个API与各种向量数据库交互。以下是Spring AI支持的主要向量数据库：

Azure Vector Search

Azure Vector Search 文档Azure Vector Search 概述

Chroma Vector Store

Chroma Vector Store 文档Chroma 官网

Milvus Vector Store

Milvus Vector Store 文档Milvus 官网

Neo4j Vector Store

Neo4j Vector Store 文档Neo4j 官网

PgVector Store

PgVector Store 文档PostgreSQL/PGVector

Pinecone Vector Store

Pinecone Vector Store 文档Pinecone 官网

Qdrant Vector Store

Qdrant Vector Store 文档Qdrant 官网

Redis Vector Store

Redis Vector Store 文档Redis 官网

Weaviate Vector Store

Weaviate Vector Store 文档Weaviate 官网

Simple Vector Store

Simple Vector Store 源码这是一个简单的（内存中）持久向量存储实现，适合教育目的。

示例项目

你可以克隆这些GitHub上的示例项目，了解如何在实际应用中使用Spring AI。

示例项目列表

Spring AI OpenAI 示例

GitHub 仓库

Spring AI Azure 示例

GitHub 仓库

Spring AI HuggingFace 示例

GitHub 仓库

Spring AI Milvus 示例

GitHub 仓库

如何使用示例项目

克隆仓库

使用git clone命令克隆你感兴趣的示例项目：

git clone https://github.com/spring-projects/spring-ai-openai-example.gitcd spring-ai-openai-example

配置依赖

根据项目的README文件配置依赖项和环境变量。确保你已经配置好相关的API密钥和数据库连接。

运行项目

使用Maven或Gradle构建并运行项目：

./mvnw spring-boot:run

或者

./gradlew bootRun

结论

通过了解Spring AI支持的向量数据库和示例项目，你可以更好地在实际应用中应用Spring AI。这些向量数据库可以帮助你高效地存储和检索嵌入向量，而示例项目则提供了实际的代码示例，帮助你快速上手。希望这篇文章能帮助你在项目中应用这些技术，并激发你更多的创意。

在接下来的文章中，我们将继续探讨更多实际应用场景和高级功能，帮助你进一步掌握这一强大的工具。

Spring AI教程（二十四）：接口设计与Testcontainers支持

在前面的文章中，我们讨论了Spring AI支持的向量数据库和一些示例项目。本篇文章将深入探讨Spring AI中的接口设计以及如何使用Testcontainers进行测试。

接口设计

Spring AI提供了多个接口，用于抽象和标准化与AI模型的交互。这些接口包括Model, StreamingModel, ModelRequest 和 ModelOptions。它们提供了一种灵活且可扩展的方法来与不同的AI模型进行交互。

Model接口

Model接口定义了与AI模型进行同步交互的通用API。它抽象了发送请求和接收响应的过程，使用Java泛型以适应不同类型的请求和响应。

public interface Model<TReq extends ModelRequest<?>, TRes extends ModelResponse<?>> { /** * 执行对AI模型的方法调用。 * @param request 发送到AI模型的请求对象 * @return 从AI模型接收到的响应 */ TRes execute(TReq request);}

StreamingModel接口

StreamingModel接口提供了一个通用API，用于与具有流响应的AI模型进行交互。它抽象了发送请求和接收流响应的过程，使用Java泛型以适应不同类型的请求和响应。

public interface StreamingModel<TReq extends ModelRequest<?>, TResChunk extends ModelResponse<?>> { /** * 执行对AI模型的方法调用。 * @param request 发送到AI模型的请求对象 * @return 从AI模型接收到的流响应 */ Flux<TResChunk> stream(TReq request);}

ModelRequest接口

ModelRequest接口表示对AI模型的请求。该接口封装了与AI模型交互所需的必要信息，包括指令或输入（泛型类型T）以及其他模型选项。它提供了一种标准化的方式来发送请求，确保所有必要的细节都包括在内并且易于管理。

public interface ModelRequest<T> { /** * 获取AI模型所需的指令或输入。 * @return AI模型所需的指令或输入 */ T getInstructions(); /** * 获取AI模型交互的可定制选项。 * @return AI模型交互的可定制选项 */ ModelOptions getOptions();}

ModelOptions接口

ModelOptions接口表示AI模型交互的可定制选项。这个标记接口允许指定各种设置和参数，这些设置和参数可以影响AI模型的行为和输出。它旨在提供在不同AI场景中的灵活性和适应性，确保AI模型可以根据特定需求进行微调。

public interface ModelOptions { }

Testcontainers支持

Spring AI提供了Spring Boot自动配置，用于与通过Testcontainers运行的模型服务或向量存储建立连接。Testcontainers是一种用于在测试中启动和管理Docker容器的库。

添加Testcontainers依赖

要启用Testcontainers支持，在项目的Maven pom.xml文件中添加以下依赖项：

<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-spring-boot-testcontainers</artifactId></dependency>

或者在Gradle build.gradle构建文件中添加：

dependencies { implementation 'org.springframework.ai:spring-ai-spring-boot-testcontainers'}

Service Connections

spring-ai-spring-boot-testcontainers模块提供以下服务连接工厂：

结论

通过理解Spring AI的接口设计和Testcontainers支持，你可以更好地在实际项目中应用Spring AI。接口设计提供了一种灵活且可扩展的方法来与不同的AI模型进行交互，而Testcontainers支持则简化了测试环境的配置和管理。希望这篇文章能帮助你在项目中应用这些技术，并激发你更多的创意。

在接下来的文章中，我们将继续探讨更多实际应用场景和高级功能，帮助你进一步掌握这一强大的工具。