​

向量数据库

​

VectorStore 接口

• void add(List<Document> documents): 将文档列表添加到向量存储中。在添加之前，每个文档的内容都会被转换为向量嵌入。
• Optional<Boolean> delete(List<String> idList): 从向量存储中删除由其 ID 标识的文档列表。
• List<Document> similaritySearch(String query): 对给定查询执行相似性搜索，并返回最相似的文档列表。
• List<Document> similaritySearch(SearchRequest request): 使用更详细的 SearchRequest（允许指定 top K、相似性阈值和元数据过滤器）执行相似性搜索。

​

SearchRequest

• String query: 用于相似性搜索的查询字符串。
• int topK: 要返回的最相似文档的数量 (默认为 4)。
• double similarityThreshold: 相似性得分阈值 (0 到 1)。仅返回得分高于或等于此阈值的文档 (默认为 0.0)。
• FilterExpression filterExpression: 用于在搜索期间根据元数据过滤文档的过滤器表达式。

​

元数据过滤

​

FilterExpressionBuilder

• eq(key, value): 等于 (==)
• ne(key, value): 不等于 (!=)
• gt(key, value): 大于 (>)
• gte(key, value): 大于或等于 (>=)
• lt(key, value): 小于 (<)
• lte(key, value): 小于或等于 (<=)
• in(key, values...): 值在提供的列表中 (IN)
• nin(key, values...): 值不在提供的列表中 (NIN)

• and(left, right): 逻辑与 (AND)
• or(left, right): 逻辑或 (OR)
• not(expression): 逻辑非 (NOT)

FilterExpressionBuilder b = new FilterExpressionBuilder();

// (genre == "drama" OR genre == "action") AND year > 2020
Filter.Expression expr = b.or(
    b.eq("genre", "drama"),
    b.eq("genre", "action")
).and(b.gt("year", 2020)).build();

SearchRequest request = SearchRequest.query("Recent thrilling movies") // 示例查询通常保留英文
    .withTopK(5)
    .withFilterExpression(expr);

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

​

支持的向量数据库