嵌入模型（Embedding Model）和向量数据库（Vector Database/Vector Store）是用嵌一对亲密无间的合作伙伴，也是入模 AI 技术栈中紧密关联的两大核心组件，两者的型操协同作用构成了现代语义搜索、推荐系统和 RAG（Retrieval Augmented Generation，量数检索增强生成）等应用的据库技术基础。

“PS：准确来说 Vector Database 和 Vector Store 不完全相同，用嵌前者主要用于“向量”数据的入模存储，而 Vector Store 是型操用于存储和检索向量数据的组件。

在 Spring AI 中，量数嵌入模型 API 和 Spring AI Model API 和嵌入模型的据库关系如下：

系统整体交互流程如下：

接下来我们使用以下技术：

Spring AI阿里云文本嵌入模型 text-embedding-v3SimpleVectorStore（内存级别存储和检索向量数据组件）

实现嵌入模型操作内存级别向量数据库的案例。

1.添加项目依赖

我们使用阿里云百炼平台的站群服务器用嵌嵌入模型 text-embedding-v3 是兼容 OpenAI 的 SDK 的，因此，入模我们只需要添加 OpenAI 依赖即可：

复制<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-model-openai</artifactId> </dependency>1.2.3.4.

2.配置嵌入模型

阿里云百炼平台支持的型操向量模型：

项目配置文件配置向量模型：

复制spring: ai: openai: api-key: ${aliyun-ak} embedding: options: model: text-embedding-v3 chat: options: model: deepseek-r11.2.3.4.5.6.7.8.9.10.

3.配置向量模型

将 EmbeddingModel 和 VectorStore 进行关联，如下代码所示：

复制@Bean public VectorStore vectorStore(EmbeddingModel embeddingModel) { return SimpleVectorStore.builder(embeddingModel).build(); }1.2.3.4.

4.向量数据库添加数据

VectorStore 提供的量数常用方法如下：

add(Listdocuments) ：添加文档。delete(ListidList) ：按 ID 删除文档。据库delete(Filter.Expression filterExpression) ：按过滤表达式删除文档。similaritySearch(String query) 和 similaritySearch(SearchRequest request) ：相似性搜索。

向数据库添加向量数据的方法如下：

复制// 构建测试数据 List<Document> documents = List.of(new Document("I like Spring Boot"), new Document("I love Java")); // 添加到向量数据库 vectorStore.add(documents);1.2.3.4.5.6.

当然，向量数据的数据源可以是文件、图片、音频等资源，这里为了简单演示整体执行流程，使用了更简单直观的b2b供应网文本作为数据源。

5.查询数据

复制@RestController @RequestMapping("/vector") publicclass VectorController { @Resource private VectorStore vectorStore; @RequestMapping("/find") public List find(@RequestParam String query) { // 构建搜索请求，设置查询文本和返回的文档数量 SearchRequest request = SearchRequest.builder() .query(query) .topK(3) .build(); List<Document> result = vectorStore.similaritySearch(request); System.out.println(result); return result; } }1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.

执行结果如下：

从上述结果可以看出，和“java”相似度最高的向量为“I love Java”，相似度评分为 0.77，如果我们 SearchRequest 对象中的 topK 设置为 1 的话，只会查询“I love Java”这条数据，如下图所示：

“想要获取完整案例的同学加V：vipStone【备注：向量】

小结

嵌入模型和向量数据库是实现 RAG（检索增强生成）的技术基础，当然除了以上案例外，你可以使用 Redis 或 ES 来存储向量数据，并尝试加入 DeepSeek 实现 RAG 功能，这种形式更符合企业真实的技术应用。

云服务器提供商