> ## Documentation Index > Fetch the complete documentation index at: https://javaai.pig4cloud.com/llms.txt > Use this file to discover all available pages before exploring further. # Weaviate 向量数据库 # Weaviate 向量数据库 Spring AI 支持将 [Weaviate](https://weaviate.io/) 作为向量数据库。 ## 添加依赖 要使用 Weaviate 向量存储，您需要将 `spring-ai-weaviate-store-spring-boot-starter` 依赖项添加到项目的 `pom.xml` 文件中。 该启动器包含了 `spring-ai-core` 和 Weaviate Java 客户端库。 ```xml theme={"system"} org.springframework.ai spring-ai-weaviate-store-spring-boot-starter ``` 您还需要一个 `EmbeddingClient` 实现来为您的文档生成向量嵌入。例如，您可以添加 `spring-ai-openai-spring-boot-starter` 以使用 OpenAI 的嵌入模型： ```xml theme={"system"} org.springframework.ai spring-ai-openai-spring-boot-starter ``` ## 配置属性 在您的 `application.properties` 或 `application.yml` 文件中配置 Weaviate 和嵌入客户端属性。 ### Weaviate 属性 | 属性 | 描述 | 默认值 | | :---------------------------------------------------------------- | :--------------------------------------------------- | :----------------- | | `spring.ai.vectorstore.weaviate.scheme` | Weaviate 服务器的 scheme (例如 `http` 或 `https`) | `http` | | `spring.ai.vectorstore.weaviate.host` | Weaviate 服务器的主机名或 IP 地址 | `localhost` | | `spring.ai.vectorstore.weaviate.api-key` | 用于向 Weaviate 服务器进行身份验证的 API 密钥 (如果需要) | | | `spring.ai.vectorstore.weaviate.object-class` | 用于存储文档的 Weaviate 类名 | `SpringAiDocument` | | `spring.ai.vectorstore.weaviate.consistency-level` | 写入操作的一致性级别 (例如 `ONE`, `QUORUM`, `ALL`) | `ONE` | | `spring.ai.vectorstore.weaviate.headers.*` | 要包含在发送到 Weaviate 的请求中的自定义标头 | | | `spring.ai.vectorstore.weaviate.filter-fields.text-fields` | 指定哪些元数据文本字段应该被索引以进行 Weaviate 的 `like` 过滤。逗号分隔的列表。 | (空) | | `spring.ai.vectorstore.weaviate.filter-fields.tokenizable-fields` | 指定哪些元数据字段应该被索引为 Weaviate 的 `tokenizable` 字段。逗号分隔的列表。 | (空) | **示例 `application.properties`:** ```properties theme={"system"} # Weaviate 配置 spring.ai.vectorstore.weaviate.scheme=http spring.ai.vectorstore.weaviate.host=localhost:8080 # 假设 Weaviate 在 8080 端口运行 spring.ai.vectorstore.weaviate.object-class=MyDocuments # spring.ai.vectorstore.weaviate.api-key=YOUR_WEAVIATE_API_KEY # 如果需要 # 嵌入客户端配置 (例如 OpenAI) spring.ai.openai.api-key=YOUR_OPENAI_API_KEY spring.ai.openai.embedding.options.model=text-embedding-ada-002 ``` 嵌入的维度是从第一个插入的文档中推断出来的。确保您的 `EmbeddingClient` 配置为生成具有一致维度的嵌入。 ## 使用 `VectorStore` 将 `VectorStore` bean 注入到您的组件中以与之交互： ```java theme={"system"} import org.springframework.ai.vectorstore.VectorStore; import org.springframework.ai.document.Document; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.stereotype.Service; import java.util.List; @Service public class MyVectorStoreService { private final VectorStore vectorStore; // 将自动配置 WeaviateVectorStore @Autowired public MyVectorStoreService(VectorStore vectorStore) { this.vectorStore = vectorStore; } public void addDocuments(List documents) { vectorStore.add(documents); } public List findSimilarDocuments(String query, int k) { return vectorStore.similaritySearch(query, k); } } ``` ### 创建 `WeaviateVectorStore` Bean (可选) Spring Boot 会自动配置 `WeaviateVectorStore` bean。但是，如果您需要自定义配置，可以定义自己的 bean： ```java theme={"system"} import io.weaviate.client.WeaviateClient; import io.weaviate.client.Config; import org.springframework.ai.embedding.EmbeddingClient; import org.springframework.ai.vectorstore.WeaviateVectorStore; import org.springframework.ai.vectorstore.WeaviateVectorStore.WeaviateVectorStoreConfig; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; import java.util.Map; @Configuration public class MyWeaviateConfig { @Bean public WeaviateClient weaviateClient() { // 从属性或直接创建 WeaviateClient // 例如: new Config("http", "localhost:8080"); // 如果需要 API 密钥: new Config("https", "your-weaviate-host.com", "YOUR_API_KEY"); Config config = new Config("http", "localhost:8080"); return new WeaviateClient(config); } @Bean public WeaviateVectorStore weaviateVectorStore(WeaviateClient weaviateClient, EmbeddingClient embeddingClient) { WeaviateVectorStoreConfig config = WeaviateVectorStoreConfig.builder() .withObjectClass("MyCustomDocuments") // .withConsistencyLevel(WeaviateVectorStoreConfig.ConsistencyLevel.QUORUM) // 按需设置 // .withHeaders(Map.of("X-Custom-Header", "value")) // 按需设置 .build(); return new WeaviateVectorStore(weaviateClient, embeddingClient, config); } } ``` ## 元数据过滤 Weaviate 向量存储支持使用 [Weaviate 的 WHERE 过滤器](https://weaviate.io/developers/weaviate/api/graphql/filters) 和 Spring AI 的 [相似性搜索过滤器表达式](./index.mdx#metadata-filtering) 进行元数据过滤。 过滤器表达式会转换为 Weaviate 的 GraphQL `where` 过滤器格式。 **示例：** ```java theme={"system"} import org.springframework.ai.vectorstore.SearchRequest; import org.springframework.ai.vectorstore.filter.Filter; import org.springframework.ai.vectorstore.filter.FilterExpressionBuilder; // ... FilterExpressionBuilder b = new FilterExpressionBuilder(); // path: ["genre"], operator: Equal, valueText: "drama" // AND path: ["year"], operator: GreaterThan, valueInt: 2020 Filter filter = new Filter(b.eq("genre", "drama").and(b.gt("year", 2020)).build()); SearchRequest request = SearchRequest.query("A dramatic film released after 2020") // 示例查询通常保留英文 .withTopK(5) .withFilter(filter); List results = vectorStore.similaritySearch(request); ``` 确保用于过滤的元数据字段存在于您的 Weaviate schema 中，并根据需要进行索引。 对于文本字段的 `like` (通配符) 过滤，您需要在 `spring.ai.vectorstore.weaviate.filter-fields.text-fields` 属性中指定这些字段，以便在 schema 中正确设置它们。 同样，对于需要标记化的字段，请使用 `spring.ai.vectorstore.weaviate.filter-fields.tokenizable-fields`。 ## 删除数据 `WeaviateVectorStore` 支持通过文档 ID 删除数据。 ```java theme={"system"} boolean deleted = vectorStore.delete(List.of("documentId1", "documentId2")); ``` ## 总结 将 Spring AI 与 Weaviate 集成，为构建复杂的 AI 应用程序提供了强大的功能，利用了 Weaviate 的原生向量搜索能力和可扩展架构。 发现文档问题？点击此处直接在 GitHub 上编辑并提交 PR，帮助我们改进文档！