1.Ubantu部署安装软件
1.1 软件安装
# 更新系统包 sudo apt update && sudo apt upgrade -y # 安装必要依赖（编译工具、PostgreSQL依赖、libpq等） sudo apt install -y build-essential git postgresql postgresql-server-dev-all libpq-dev
build-essential：提供编译所需的 gcc、make 等工具；postgresql：基础 PostgreSQL 数据库（PgVector 依赖 PostgreSQL 11+，Ubuntu 默认源的版本满足）；postgresql-server-dev-all：PostgreSQL 扩展开发所需的头文件；libpq-dev：客户端连接 PostgreSQL 的依赖。
1.2 确认软件状态
# 查看服务状态 sudo systemctl status postgresql # 若未启动，手动启动并设置开机自启 sudo systemctl start postgresql sudo systemctl enable postgresql
1.3 PgVector插件安装
# 克隆仓库（建议放到 /usr/local/src 目录） sudo git clone https://github.com/pgvector/pgvector.git /usr/local/src/pgvector cd /usr/local/src/pgvector
# 编译（使用 PostgreSQL 的 pg_config 定位编译路径） make # 安装（需要 root 权限） sudo make install
1.4 创建用户与数据库
创建postgres系统用户：
sudo -u postgres psql
创建数据库并启用pgvector插件：
-- 1. 创建测试数据库（可自定义名称，如 vector_db） CREATE DATABASE vector_db; -- 2. 连接到新建的数据库 \c vector_db; -- 3. 创建 pgvector 扩展（核心步骤，启用向量功能） CREATE EXTENSION vector; -- 4. 验证扩展是否创建成功 \dx; -- 列出所有已安装的扩展，能看到 vector 即成功
输出中会包含如下内容：
List of installed extensions Name | Version | Schema | Description ---------+---------+------------+------------------------------ vector | 0.5.1 | public | vector data type and indexes
1.5 测试PgVector功能
-- 1. 创建表（包含 id 和 3 维向量字段） CREATE TABLE embeddings ( id SERIAL PRIMARY KEY, vec vector(3) -- 定义 3 维向量，维度可自定义（如 1536 对应 OpenAI 嵌入） ); -- 2. 插入向量数据 INSERT INTO embeddings (vec) VALUES ('[1,2,3]'), ('[4,5,6]'), ('[7,8,9]'); -- 3. 查询向量（计算与 [2,3,4] 的欧氏距离并排序） SELECT id, vec, vec <-> '[2,3,4]' AS distance FROM embeddings ORDER BY distance;
输出结果会按距离从小到大排序，示例：
id | vec | distance ----+---------+------------------- 1 | [1,2,3] | 1.7320508075688772 2 | [4,5,6] | 3.464101615137755 3 | [7,8,9] | 8.660254037844387
<-> 是 PgVector 内置的欧氏距离运算符，还支持 <#>（内积）、<=>（余弦距离）等。
1.6 配置远程连接与密码修改
默认 PostgreSQL 只允许本地连接，需修改 Ubuntu 上的配置
修改 pg_hba.conf（信任远程连接）：
sudo vim /etc/postgresql/$(ls /etc/postgresql)/main/pg_hba.conf
添加一行（允许任意 IP 访问，生产环境建议限定具体 IP）：
host all all 0.0.0.0/0 md5
修改 postgresql.conf（监听所有地址）：
sudo vim /etc/postgresql/$(ls /etc/postgresql)/main/postgresql.conf
listen_addresses = '*' # 默认为 localhost，改为 *
设置 postgres 用户密码：
sudo -u postgres psql # 在PostgreSQL终端执行 ALTER USER postgres WITH PASSWORD '你的新密码'; \q
重启 PostgreSQL 生效：
sudo systemctl restart postgresql
2.SpringBoot集成
2.1 连接
Maven依赖(向量数据库的两种整合方式)：
<!-- 自动整合 PGVector 向量存储 --> <!-- <dependency>--> <!-- <groupId>org.springframework.ai</groupId>--> <!-- <artifactId>spring-ai-starter-vector-store-pgvector</artifactId>--> <!-- <version>1.0.0-M7</version>--> <!-- </dependency>--> <!-- 手动整合 PGVector 向量存储 --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-jdbc</artifactId> </dependency> <dependency> <groupId>org.postgresql</groupId> <artifactId>postgresql</artifactId> <scope>runtime</scope> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-pgvector-store</artifactId> </dependency>
配置文件：
spring: # 数据库连接配置 datasource: url: jdbc:postgresql://你的Ubuntu服务器IP:5432/vector_db # 替换为实际IP和数据库名 username: postgres # 默认用户名 password: 你的postgres密码 # 需设置postgres用户密码（后续讲） driver-class-name: org.postgresql.Driver
2.2 基础操作案例
实体类：
package com.example.demo.entity; import javax.persistence.*; import lombok.Data; @Data @Entity @Table(name = "embeddings") // 对应 PostgreSQL 中的 embeddings 表 public class Embedding { @Id @GeneratedValue(strategy = GenerationType.IDENTITY) // 对应 SERIAL 主键 private Long id; @Column(name = "vec") // 向量字段，PgVector 中存储为字符串格式（如 "[1,2,3]"） private String vec; // 注意：PgVector 的 vector 类型在 Java 中用 String 接收/传递 }
数据层接口：
package com.example.demo.repository; import com.example.demo.entity.Embedding; import org.springframework.data.jpa.repository.JpaRepository; import org.springframework.data.jpa.repository.Query; import org.springframework.data.repository.query.Param; import java.util.List; public interface EmbeddingRepository extends JpaRepository<Embedding, Long> { // 自定义查询：根据目标向量计算欧氏距离并排序（核心向量查询） @Query(value = "SELECT e FROM Embedding e ORDER BY e.vec <-> :targetVec") List<Embedding> findByVecOrderByDistance(@Param("targetVec") String targetVec); // 也可写原生SQL（更灵活） @Query(value = "SELECT * FROM embeddings ORDER BY vec <-> :targetVec LIMIT 10", nativeQuery = true) List<Embedding> findTop10ByVec(@Param("targetVec") String targetVec); }
测试：
package com.example.demo; import com.example.demo.entity.Embedding; import com.example.demo.repository.EmbeddingRepository; import org.junit.jupiter.api.Test; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.boot.test.context.SpringBootTest; import java.util.List; @SpringBootTest public class EmbeddingTest { @Autowired private EmbeddingRepository embeddingRepository; // 测试插入向量数据 @Test public void testInsert() { Embedding embedding = new Embedding(); embedding.setVec("[1,2,3]"); // 设置 3 维向量 embeddingRepository.save(embedding); Embedding embedding2 = new Embedding(); embedding2.setVec("[4,5,6]"); embeddingRepository.save(embedding2); } // 测试向量相似度查询 @Test public void testQuery() { // 查询与 [2,3,4] 最相似的向量（按欧氏距离排序） List<Embedding> list = embeddingRepository.findByVecOrderByDistance("[2,3,4]"); for (Embedding e : list) { System.out.println("ID: " + e.getId() + ", 向量: " + e.getVec()); } } }
2.3 SpringAI集成PgVector做向量数据库
2.3.1 依赖与配置
ai: dashscope: api-key: chat: opentions: model: qwen-max vectorstore: pgvector: index-type: HNSW dimensions: 1536 #向量维度 distance-type: COSINE_DISTANCE max-document-batch-size: 10000 # Optional: Maximum number of documents per batch
<!-- 自动整合 PGVector 向量存储 --> <!-- <dependency>--> <!-- <groupId>org.springframework.ai</groupId>--> <!-- <artifactId>spring-ai-starter-vector-store-pgvector</artifactId>--> <!-- <version>1.0.0-M7</version>--> <!-- </dependency>--> <!-- 手动整合 PGVector 向量存储 --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-jdbc</artifactId> </dependency> <dependency> <groupId>org.postgresql</groupId> <artifactId>postgresql</artifactId> <scope>runtime</scope> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-pgvector-store</artifactId> </dependency>
2.3.2 基于PgVector做向量数据库
-- 创建带维度的表（1536 维，根据你的嵌入模型调整） CREATE TABLE public.vector_store ( id VARCHAR(255) PRIMARY KEY, content TEXT, metadata JSONB, embedding VECTOR(1536) -- 维度必须和嵌入模型一致 );
import jakarta.annotation.Resource; import org.springframework.ai.document.Document; import org.springframework.ai.embedding.EmbeddingModel; import org.springframework.ai.vectorstore.VectorStore; import org.springframework.ai.vectorstore.pgvector.PgVectorStore; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; import org.springframework.jdbc.core.JdbcTemplate; import java.util.List; import static org.springframework.ai.vectorstore.pgvector.PgVectorStore.PgDistanceType.COSINE_DISTANCE; import static org.springframework.ai.vectorstore.pgvector.PgVectorStore.PgIndexType.HNSW; // 为方便开发调试和部署，临时注释，如果需要使用 PgVector 存储知识库，取消注释即可 @Configuration public class PgVectorVectorStoreConfig { @Resource private LoveAppDocumentLoader loveAppDocumentLoader; @Bean public VectorStore pgVectorVectorStore(JdbcTemplate jdbcTemplate, EmbeddingModel dashscopeEmbeddingModel) { VectorStore vectorStore = PgVectorStore.builder(jdbcTemplate, dashscopeEmbeddingModel) .dimensions(1536) // Optional: defaults to model dimensions or 1536 .distanceType(COSINE_DISTANCE) // Optional: defaults to COSINE_DISTANCE .indexType(HNSW) // Optional: defaults to HNSW .initializeSchema(true) // Optional: defaults to false .schemaName("public") // Optional: defaults to "public" .vectorTableName("vector_store") // Optional: defaults to "vector_store" .maxDocumentBatchSize(10000) // Optional: defaults to 10000 .build(); // 加载文档 List<Document> documents = loveAppDocumentLoader.loadMarkdowns(); vectorStore.add(documents); return vectorStore; } }
2.3.3 向量Embed测试
import jakarta.annotation.Resource; import org.junit.jupiter.api.Assertions; import org.junit.jupiter.api.Test; import org.springframework.ai.document.Document; import org.springframework.ai.vectorstore.SearchRequest; import org.springframework.ai.vectorstore.VectorStore; import org.springframework.boot.test.context.SpringBootTest; import java.util.List; import java.util.Map; @SpringBootTest class PgVectorVectorStoreConfigTest { @Resource private VectorStore pgVectorVectorStore; @Test void pgVectorVectorStore() { List<Document> documents = List.of( new Document("吕贵浩是程序员", Map.of("meta1", "meta1")), new Document("吕贵浩擅长Java"), new Document("吕贵浩擅长大模型开发", Map.of("meta2", "meta2"))); // 添加文档 pgVectorVectorStore.add(documents); // 相似度查询 List<Document> results = pgVectorVectorStore.similaritySearch(SearchRequest.builder().query("吕贵浩是谁").topK(3).build()); Assertions.assertNotNull(results); } }
数据库存储：
编辑
2.3.4 Agent集成测试
@Resource private VectorStore pgVectorStore; public String doChatWithRag(String message, String chatId) { ChatResponse chatResponse=chatClient.prompt() .user(message) .advisors(spec -> spec.param(ChatMemory.CONVERSATION_ID, chatId)) .advisors(new MyLoggerAdvisor()) //RAG // .advisors(new QuestionAnswerAdvisor(loveAppVectorStore)) //云上RAG // .advisors(loveAppRagCloudAdvisor) //PgRAG .advisors(new QuestionAnswerAdvisor(pgVectorStore)) .call() .chatResponse(); String content=chatResponse.getResult().getOutput().getText(); log.info("content: {}", content); return content; } @Test void doChatWithRag() { String chatId = UUID.randomUUID().toString(); String message = "吕贵浩是谁？"; String answer= loveApp.doChatWithRag(message, chatId); Assertions.assertNotNull(answer); }
编辑
