织布
本节将引导你如何设置Weaviate矢量商店，以存储文档嵌入并进行相似性搜索。
Weaviate是一个开源的矢量数据库，允许你存储来自喜欢的机器学习模型的数据对象和矢量嵌入，并无缝扩展到数十亿个数据对象。 它提供存储文档嵌入、内容和元数据的工具，并用于搜索这些嵌入，包括元数据过滤。
前提条件
-
一个正在运行的Weaviate实例。以下选项可供选择：
-
Weaviate 云服务（需要创建账户和 API 密钥）
-
-
如有需要，需为 EmbeddingModel 提供 API 密钥，以生成存储于
WeaviateVectorStore.
依赖
|
春季AI自动配置、起始模块的工件名称发生了重大变化。 更多信息请参阅升级说明。 |
将 Weaviate 向量存储依赖添加到你的项目中：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-weaviate-store</artifactId>
</dependency>或者去你的Gradlebuild.gradle构建文件。
dependencies {
implementation 'org.springframework.ai:spring-ai-weaviate-store'
}| 请参考依赖管理部分，将Spring AI的物料清单添加到你的构建文件中。 |
配置
连接Weaviate并使用WeaviateVectorStore你需要为你的实例提供访问权限。
配置可通过 Spring Boot 的 application.properties 提供：
spring.ai.vectorstore.weaviate.host=<host_of_your_weaviate_instance>
spring.ai.vectorstore.weaviate.scheme=<http_or_https>
spring.ai.vectorstore.weaviate.api-key=<your_api_key>
# API key if needed, e.g. OpenAI
spring.ai.openai.api-key=<api-key>如果你更喜欢用环境变量来处理敏感信息，比如 API 密钥，你有多种选择：
选项1：使用 Spring 表达式语言（SpEL）
你可以使用自定义环境变量名，并在应用配置中引用它们：
# In application.yml
spring:
ai:
vectorstore:
weaviate:
host: ${WEAVIATE_HOST}
scheme: ${WEAVIATE_SCHEME}
api-key: ${WEAVIATE_API_KEY}
openai:
api-key: ${OPENAI_API_KEY}# In your environment or .env file
export WEAVIATE_HOST=<host_of_your_weaviate_instance>
export WEAVIATE_SCHEME=<http_or_https>
export WEAVIATE_API_KEY=<your_api_key>
export OPENAI_API_KEY=<api-key>自动配置
Spring AI 为 Weaviate 向量商店提供了 Spring Boot 自动配置。
要启用它，请在项目的 Maven 中添加以下依赖pom.xml文件：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-vector-store-weaviate</artifactId>
</dependency>或者去你的Gradlebuild.gradle构建文件。
dependencies {
implementation 'org.springframework.ai:spring-ai-starter-vector-store-weaviate'
}| 请参考依赖管理部分，将Spring AI的物料清单添加到你的构建文件中。 |
请查看矢量存储的配置参数列表，了解默认值和配置选项。
| 请参阅“遗物仓库”部分，将Maven Central和/或快照仓库添加到你的构建文件中。 |
此外，你还需要一个配置嵌入模型豆。
更多信息请参阅嵌入模型部分。
以下是所需豆子的示例：
@Bean
public EmbeddingModel embeddingModel() {
// Retrieve API key from a secure source or environment variable
String apiKey = System.getenv("OPENAI_API_KEY");
// Can be any other EmbeddingModel implementation
return new OpenAiEmbeddingModel(OpenAiApi.builder().apiKey(apiKey).build());
}现在你可以自动接线WeaviateVectorStore作为你的应用中的矢量存储。
手动配置
你可以手动配置WeaviateVectorStore使用建造者模式：
@Bean
public WeaviateClient weaviateClient() {
return new WeaviateClient(new Config("http", "localhost:8080"));
}
@Bean
public VectorStore vectorStore(WeaviateClient weaviateClient, EmbeddingModel embeddingModel) {
return WeaviateVectorStore.builder(weaviateClient, embeddingModel)
.options(options) // Optional: use custom options
.consistencyLevel(ConsistentLevel.QUORUM) // Optional: defaults to ConsistentLevel.ONE
.filterMetadataFields(List.of( // Optional: fields that can be used in filters
MetadataField.text("country"),
MetadataField.number("year")))
.build();
}元数据过滤
你也可以利用 Weaviate 商店的通用、可移植元数据过滤器。
例如，你可以使用以下文本表达式语言：
vectorStore.similaritySearch(
SearchRequest.builder()
.query("The World")
.topK(TOP_K)
.similarityThreshold(SIMILARITY_THRESHOLD)
.filterExpression("country in ['UK', 'NL'] && year >= 2020").build());或者程序化地使用滤波。表达DSL：
FilterExpressionBuilder b = new FilterExpressionBuilder();
vectorStore.similaritySearch(SearchRequest.builder()
.query("The World")
.topK(TOP_K)
.similarityThreshold(SIMILARITY_THRESHOLD)
.filterExpression(b.and(
b.in("country", "UK", "NL"),
b.gte("year", 2020)).build()).build());| 这些（可移动的）过滤表达式会自动转换成专有的Weaviate，筛选器。 |
例如，这个可移植的Filter表达式：
country in ['UK', 'NL'] && year >= 2020转换为专有的Weaviate GraphQL过滤格式：
operator: And
operands:
[{
operator: Or
operands:
[{
path: ["meta_country"]
operator: Equal
valueText: "UK"
},
{
path: ["meta_country"]
operator: Equal
valueText: "NL"
}]
},
{
path: ["meta_year"]
operator: GreaterThanEqual
valueNumber: 2020
}]在 Docker 中运行 Weaviate
为了快速开始本地 Weaviate 实例，你可以在 Docker 中运行：
docker run -it --rm --name weaviate \
-e AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED=true \
-e PERSISTENCE_DATA_PATH=/var/lib/weaviate \
-e QUERY_DEFAULTS_LIMIT=25 \
-e DEFAULT_VECTORIZER_MODULE=none \
-e CLUSTER_HOSTNAME=node1 \
-p 8080:8080 \
semitechnologies/weaviate:1.22.4这会启动一个 Weaviate 实例，访问地址为 localhost：8080。
WeaviateVectorStore 属性
你可以在 Spring Boot 配置中使用以下属性来自定义 Weaviate 矢量存储。
| 属性 | 描述 | 默认值 |
|---|---|---|
|
Weaviate服务器的主机 |
本地主持人：8080 |
|
连接模式 |
http |
|
用于认证的API密钥 |
|
|
存储文档的类名称。 |
Spring织物 |
|
内容字段名称 |
内容 |
|
元数据字段前缀 |
元_ |
|
一致性与速度之间的理想权衡 |
一致性等级.ONE |
|
配置可用于过滤器的元数据字段。格式： spring.ai.vectorstore.weaviate.filter-field.<field-name>=<field-type> |
| 对象类名称应以大写字母开头，字段名称应以小写字母开头。 参见数据对象概念 |
访问本地客户端
Weaviate 向量存储实现提供了对底层原生 Weaviate 客户端的访问（Weaviate客户端）通过getNativeClient（）方法：
WeaviateVectorStore vectorStore = context.getBean(WeaviateVectorStore.class);
Optional<WeaviateClient> nativeClient = vectorStore.getNativeClient();
if (nativeClient.isPresent()) {
WeaviateClient client = nativeClient.get();
// Use the native client for Weaviate-specific operations
}原生客户端为你提供了 Weaviate 专属的功能和作，这些可能无法通过VectorStore接口。