12.3 Elasticsearch 向量存储

吴祖贤
60 阅读5分钟

Elasticsearch 向量存储

概述

本节将指导您完成设置 Elasticsearch VectorStore 以存储文档嵌入并执行相似性搜索。

Elasticsearch 是一个基于 Apache Lucene 库的开源搜索和分析引擎。

前提条件

一个正在运行的 Elasticsearch 实例。有以下选项可用：

自动配置

注意

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

Spring AI 为 Elasticsearch Vector Store 提供 Spring Boot 自动配置。要启用它，请将以下依赖项添加到您项目的 Maven pom.xml 或 Gradle build.gradle 构建文件中：

Maven

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

Gradle

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

注意

对于 3.3.0 之前的 spring-boot 版本，需要显式添加版本大于 8.13.3 的 elasticsearch-java 依赖项，否则使用的旧版本将不兼容执行的查询：

Maven

<dependency>
    <groupId>co.elastic.clients</groupId>
    <artifactId>elasticsearch-java</artifactId>
    <version>8.13.3</version>
</dependency>

Gradle

dependencies {
    implementation 'co.elastic.clients:elasticsearch-java:8.13.3'
}

提示

请参考依赖管理部分，将 Spring AI BOM 添加到您的构建文件中。

提示

请参考工件仓库部分，将 Maven Central 和/或 Snapshot 仓库添加到您的构建文件中。

向量存储实现可以为您初始化所需的模式，但您必须通过在适当的构造函数中指定 initializeSchema 布尔值或在 application.properties 文件中设置 …​initialize-schema=true 来选择加入。或者，您可以选择退出初始化并使用 Elasticsearch 客户端手动创建索引，如果索引需要高级映射或额外配置，这将很有用。

注意

这是一个破坏性变更！在早期版本的 Spring AI 中，此模式初始化默认发生。

请查看向量存储的配置参数列表，了解默认值和配置选项。这些属性也可以通过配置 ElasticsearchVectorStoreOptions bean 来设置。

此外，您需要一个配置的 EmbeddingModel bean。有关更多信息，请参阅 EmbeddingModel 部分。

现在您可以在应用程序中自动装配 ElasticsearchVectorStore 作为向量存储：

@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 Elasticsearch
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

要连接到 Elasticsearch 并使用 ElasticsearchVectorStore，您需要为实例提供访问详细信息。可以通过 Spring Boot 的 application.yml 提供简单配置：

spring:
  elasticsearch:
    uris: <elasticsearch instance URIs>
    username: <elasticsearch username>
    password: <elasticsearch password>
  ai:
    vectorstore:
      elasticsearch:
        initialize-schema: true
        index-name: custom-index
        dimensions: 1536
        similarity: cosine

以 spring.elasticsearch.* 开头的 Spring Boot 属性用于配置 Elasticsearch 客户端：

属性描述默认值
spring.elasticsearch.connection-timeout与 Elasticsearch 通信时使用的连接超时1s
spring.elasticsearch.password用于 Elasticsearch 身份验证的密码-
spring.elasticsearch.username用于 Elasticsearch 身份验证的用户名-
spring.elasticsearch.uris要使用的 Elasticsearch 实例的逗号分隔列表http://localhost:9200
spring.elasticsearch.path-prefix添加到发送到 Elasticsearch 的每个请求的路径前缀-
spring.elasticsearch.restclient.sniffer.delay-after-failure在失败后安排的嗅探执行延迟1m
spring.elasticsearch.restclient.sniffer.interval连续的常规嗅探执行之间的间隔5m
spring.elasticsearch.restclient.ssl.bundleSSL bundle 名称-
spring.elasticsearch.socket-keep-alive是否在客户端和 Elasticsearch 之间启用 socket keep alivefalse
spring.elasticsearch.socket-timeout与 Elasticsearch 通信时使用的 socket 超时30s

以 spring.ai.vectorstore.elasticsearch.* 开头的属性用于配置 ElasticsearchVectorStore：

属性描述默认值
spring.ai.vectorstore.elasticsearch.initialize-schema是否初始化所需模式false
spring.ai.vectorstore.elasticsearch.index-name用于存储向量的索引名称spring-ai-document-index
spring.ai.vectorstore.elasticsearch.dimensions向量中的维度数1536
spring.ai.vectorstore.elasticsearch.similarity要使用的相似度函数cosine
spring.ai.vectorstore.elasticsearch.embedding-field-name要搜索的向量字段名称embedding

以下相似度函数可用：

  • cosine - 默认值，适用于大多数用例。测量向量之间的余弦相似度。
  • l2_norm - 向量之间的欧几里得距离。较低的值表示较高的相似度。
  • dot_product - 对于归一化向量（如 OpenAI 嵌入）具有最佳性能。

有关每种函数的更多详细信息，请参阅 Elasticsearch 文档关于密集向量的内容。

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 Elasticsearch 一起使用。

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

那些（可移植的）过滤器表达式会自动转换为专有的 Elasticsearch Query string query。

例如，这个可移植的过滤器表达式：

author in ['john', 'jill'] && 'article_type' == 'blog'

被转换为专有的 Elasticsearch 过滤器格式：

(metadata.author:john OR jill) AND metadata.article_type:blog

手动配置

不使用 Spring Boot 自动配置，您可以手动配置 Elasticsearch 向量存储。为此，您需要将 spring-ai-elasticsearch-store 添加到您的项目中：

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

或者添加到您的 Gradle build.gradle 构建文件中：

dependencies {
    implementation 'org.springframework.ai:spring-ai-elasticsearch-store'
}

创建 Elasticsearch RestClient bean。阅读 Elasticsearch 文档 获取有关自定义 RestClient 配置的更深入信息。

@Bean
public RestClient restClient() {
    return RestClient.builder(new HttpHost("<host>", 9200, "http"))
        .setDefaultHeaders(new Header[]{
            new BasicHeader("Authorization", "Basic <encoded username and password>")
        })
        .build();
}

然后使用构建器模式创建 ElasticsearchVectorStore bean：

@Bean
public VectorStore vectorStore(RestClient restClient, EmbeddingModel embeddingModel) {
    ElasticsearchVectorStoreOptions options = new ElasticsearchVectorStoreOptions();
    options.setIndexName("custom-index");    // 可选：默认为 "spring-ai-document-index"
    options.setSimilarity(COSINE);           // 可选：默认为 COSINE
    options.setDimensions(1536);             // 可选：默认为模型维度或 1536

    return ElasticsearchVectorStore.builder(restClient, embeddingModel)
        .options(options)                     // 可选：使用自定义选项
        .initializeSchema(true)               // 可选：默认为 false
        .batchingStrategy(new TokenCountBatchingStrategy()) // 可选：默认为 TokenCountBatchingStrategy
        .build();
}

// 这可以是任何 EmbeddingModel 实现
@Bean
public EmbeddingModel embeddingModel() {
    return new OpenAiEmbeddingModel(new OpenAiApi(System.getenv("OPENAI_API_KEY")));
}

访问原生客户端

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

ElasticsearchVectorStore vectorStore = context.getBean(ElasticsearchVectorStore.class);
Optional<ElasticsearchClient> nativeClient = vectorStore.getNativeClient();

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

原生客户端让您能够访问可能未通过 VectorStore 接口暴露的 Elasticsearch 特定功能和操作。

avatar
文章
阅读
粉丝