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以使用。

_run_oracle_database_23ai_locally 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 自动配置、启动器模块的 artifact 名称发生了重大变化。 有关更多信息，请参阅 升级说明。

首先，将 Oracle Vector Store 启动器依赖项添加到您的项目：

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

或添加到您的 Gradle build.gradle 构建文件。

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 schema，则需要为适当构造函数中的 initializeSchema 布尔参数传递 true，或者在 application.properties 文件中设置 …​initialize-schema=true。

这是一个重大变化！在早期版本的 Spring AI 中，此 schema 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 EmbeddingModel 实现 中的一个。

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

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

或添加到您的 Gradle build.gradle 构建文件。

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

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 Artifact 仓库 部分，将 Maven Central 和/或 Snapshot 仓库添加到您的构建文件中。

要连接和配置 OracleVectorStore，您需要提供数据库的访问详细信息。 一个简单的配置可以通过 Spring Boot 的 application.yml 提供：

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

查看 oracle-properties 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注入 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")));

// Add the documents to Oracle Vector Store
vectorStore.add(documents);

// Retrieve documents similar to a query
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。选项包括 NONE - 精确最近邻搜索，IVF - 倒排平面文件索引。它比 HNSW 具有更快的构建时间并使用更少的内存，但查询性能较低（在速度-召回率权衡方面）。HNSW - 创建一个多层图。它比 IVF 具有更慢的构建时间并使用更多内存，但查询性能更好（在速度-召回率权衡方面）。

NONE

spring.ai.vectorstore.oracle.distance-type

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

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

COSINE

spring.ai.vectorstore.oracle.forced-normalization

允许在插入前和相似性搜索时启用向量归一化（如果为 true）。

CAUTION: 将此设置为 true 是允许 搜索请求相似性阈值 的要求。

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

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为嵌入列。如果您更改维度，则也必须重新创建表。

65535

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

启动时删除现有表。

false

spring.ai.vectorstore.oracle.initialize-schema

是否初始化所需的 schema。

false

spring.ai.vectorstore.oracle.search-accuracy

表示在存在索引的情况下请求的准确性目标。默认禁用。您需要提供一个介于 [1,100] 之间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，以速度换取准确性。

-1 (DEFAULT_SEARCH_ACCURACY)

元数据过滤

您可以利用通用的、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());

或者以编程方式使用 Filter.Expression DSL：

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());

这些过滤器表达式将转换为等效的 OracleVectorStore 过滤器。

手动配置

除了使用 Spring Boot 自动配置，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：

<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>

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

要在您的应用程序中配置 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方式连接到数据库：

sql mlops/mlops@localhost/freepdb1

访问原生客户端

Oracle Vector Store 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();
    // Use the native client for Oracle-specific operations
}

原生客户端使您能够访问 VectorStore 接口可能未公开的 Oracle 特定功能和操作。