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

1. 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.git cd spring-ai-openai-example 

2. 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。

3. 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, 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, 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 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 {      /**      * 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：

     org.springframework.ai     spring-ai-spring-boot-testcontainers  

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。