Oracle Database 23ai - AI 向量搜索

Oracle Database 23ai（23.4+）的 AI 向量搜索 功能可作为 Spring AI VectorStore 使用，帮助您存储文档嵌入并执行相似性搜索。当然，所有其他功能也都可用。

提示：在本地运行 Oracle Database 23ai 附录展示了如何使用轻量级 Docker 容器启动数据库。

自动配置

Spring AI 的自动配置和启动器模块的构件名称发生了重大变化。 请参阅 升级说明 了解更多信息。

首先，将 Oracle 向量存储启动器依赖项添加到您的项目中：

<dependency>
	<groupId>org.springframework.ai</groupId>
	<artifactId>spring-ai-starter-vector-store-oracle</artifactId>
</dependency>

或添加到 Gradle build.gradle 构建文件中：

dependencies {
    implementation 'org.springframework.ai:spring-ai-starter-vector-store-oracle'
}

如果您需要此向量存储为您初始化模式，则需要在适当的构造函数中为 initializeSchema 布尔参数传递 true，或在 application.properties 文件中设置 …​initialize-schema=true。

注意：这是一个破坏性更改！在 Spring AI 的早期版本中，这种模式初始化是默认发生的。

向量存储还需要一个 EmbeddingModel 实例来计算文档的嵌入。 您可以选择一个可用的 EmbeddingModel 实现。

例如，要使用 OpenAI EmbeddingModel，请将以下依赖项添加到您的项目中：

<dependency>
	<groupId>org.springframework.ai</groupId>
	<artifactId>spring-ai-starter-model-openai</artifactId>
</dependency>

或添加到 Gradle build.gradle 构建文件中：

dependencies {
    implementation 'org.springframework.ai:spring-ai-starter-model-openai'
}

提示：请参阅 依赖管理 部分，将 Spring AI BOM 添加到您的构建文件中。 请参阅 构件仓库 部分，将 Maven Central 和/或 Snapshot 仓库添加到您的构建文件中。

要连接到并配置 OracleVectorStore，您需要提供数据库的访问详细信息。 可以通过 Spring Boot 的 application.yml 提供简单配置：

spring:
  datasource:
    url: jdbc:oracle:thin:@//localhost:1521/freepdb1
    username: mlops
    password: mlops
  ai:
	vectorstore:
	  oracle:
		index-type: IVF
		distance-type: COSINE
		dimensions: 1536

提示：查看 配置参数 列表，了解默认值和配置选项。

现在您可以在应用程序中自动装配 OracleVectorStore 并使用它：

@Autowired VectorStore vectorStore;

// ...

List<Document> documents = List.of(
    new Document("Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!!", Map.of("meta1", "meta1")),
    new Document("The World is Big and Salvation Lurks Around the Corner"),
    new Document("You walk forward facing the past and you turn back toward the future.", Map.of("meta2", "meta2")));

// 将文档添加到 Oracle 向量存储
vectorStore.add(documents);

// 检索与查询相似的文档
List<Document> results = this.vectorStore.similaritySearch(SearchRequest.builder().query("Spring").topK(5).build());

配置属性

您可以在 Spring Boot 配置中使用以下属性来自定义 OracleVectorStore。

属性 描述 默认值

spring.ai.vectorstore.oracle.index-type

最近邻搜索索引类型。选项有 NONE - 精确最近邻搜索，IVF - 倒排平面文件索引。它比 HNSW 有更快的构建时间和更少的内存使用，但查询性能较低（在速度-召回权衡方面）。HNSW - 创建多层图。它比 IVF 有更慢的构建时间和更多的内存使用，但有更好的查询性能（在速度-召回权衡方面）。

NONE

spring.ai.vectorstore.oracle.distance-type

搜索距离类型，包括 COSINE（默认）、DOT、EUCLIDEAN、EUCLIDEAN_SQUARED 和 MANHATTAN。

注意：如果向量已归一化，您可以使用 DOT 或 COSINE 获得最佳性能。

COSINE

spring.ai.vectorstore.oracle.forced-normalization

允许在插入和相似性搜索之前启用向量归一化（如果为 true）。

警告：将此设置为 true 是允许 搜索请求相似性阈值 的要求。

注意：如果向量已归一化，您可以使用 DOT 或 COSINE 获得最佳性能。

false

spring.ai.vectorstore.oracle.dimensions

嵌入维度。如果未明确指定，OracleVectorStore 将允许最大值：65535。维度在表创建时设置到嵌入列。如果您更改维度，您也需要重新创建表。

65535

spring.ai.vectorstore.oracle.remove-existing-vector-store-table

在启动时删除现有表。

false

spring.ai.vectorstore.oracle.initialize-schema

是否初始化所需的模式。

false

spring.ai.vectorstore.oracle.search-accuracy

表示在存在索引时请求的准确性目标。默认禁用。您需要提供一个 [1,100] 范围内的整数来覆盖默认索引准确性（95）。使用较低的准确性提供近似相似性搜索，在速度与准确性之间进行权衡。

-1 (DEFAULT_SEARCH_ACCURACY)

元数据过滤

您也可以利用通用的、可移植的 元数据过滤器 与 OracleVectorStore。

例如，您可以使用文本表达式语言：

vectorStore.similaritySearch(
    SearchRequest.builder()
    .query("The World")
    .topK(TOP_K)
    .similarityThreshold(SIMILARITY_THRESHOLD)
    .filterExpression("author in ['john', 'jill'] && article_type == 'blog'").build());

或使用 Filter.Expression DSL 以编程方式：

FilterExpressionBuilder b = new FilterExpressionBuilder();

vectorStore.similaritySearch(SearchRequest.builder()
    .query("The World")
    .topK(TOP_K)
    .similarityThreshold(SIMILARITY_THRESHOLD)
    .filterExpression(b.and(
        b.in("author","john", "jill"),
        b.eq("article_type", "blog")).build()).build());

注意：这些过滤表达式被转换为等效的 OracleVectorStore 过滤器。

手动配置

除了使用 Spring Boot 自动配置外，您还可以手动配置 OracleVectorStore。 为此，您需要将 Oracle JDBC 驱动程序和 JdbcTemplate 自动配置依赖项添加到您的项目中：

<dependency>
	<groupId>org.springframework.boot</groupId>
	<artifactId>spring-boot-starter-jdbc</artifactId>
</dependency>

<dependency>
	<groupId>com.oracle.database.jdbc</groupId>
	<artifactId>ojdbc11</artifactId>
	<scope>runtime</scope>
</dependency>

<dependency>
	<groupId>org.springframework.ai</groupId>
	<artifactId>spring-ai-oracle-store</artifactId>
</dependency>

提示：请参阅 依赖管理 部分，将 Spring AI BOM 添加到您的构建文件中。

要在应用程序中配置 OracleVectorStore，您可以使用以下设置：

@Bean
public VectorStore vectorStore(JdbcTemplate jdbcTemplate, EmbeddingModel embeddingModel) {
    return OracleVectorStore.builder(jdbcTemplate, embeddingModel)
        .tableName("my_vectors")
        .indexType(OracleVectorStoreIndexType.IVF)
        .distanceType(OracleVectorStoreDistanceType.COSINE)
        .dimensions(1536)
        .searchAccuracy(95)
        .initializeSchema(true)
        .build();
}

在本地运行 Oracle Database 23ai

docker run --rm --name oracle23ai -p 1521:1521 -e APP_USER=mlops -e APP_USER_PASSWORD=mlops -e ORACLE_PASSWORD=mlops gvenzl/oracle-free:23-slim

然后您可以使用以下命令连接到数据库：

sql mlops/mlops@localhost/freepdb1

访问原生客户端

Oracle 向量存储实现通过 getNativeClient() 方法提供对底层原生 Oracle 客户端（OracleConnection）的访问：

OracleVectorStore vectorStore = context.getBean(OracleVectorStore.class);
Optional<OracleConnection> nativeClient = vectorStore.getNativeClient();

if (nativeClient.isPresent()) {
    OracleConnection connection = nativeClient.get();
    // 使用原生客户端进行 Oracle 特定的操作
}

原生客户端让您可以访问可能未通过 VectorStore 接口暴露的 Oracle 特定功能和操作。