Azure Cosmos DB
本节将指导您设置 CosmosDBVectorStore 来存储文档嵌入并执行相似性搜索。
What is Azure Cosmos DB?
Azure Cosmos DB 是 Microsoft 的全球分布式云原生数据库服务，专为任务关键型应用程序而设计。 它提供高可用性、低延迟以及水平扩展的能力，以满足现代应用程序的需求。 它从零开始构建，以全球分布、细粒度多租户和水平可扩展性为核心。 它是 Azure 中的基础服务，被 Microsoft 的大多数任务关键型应用程序在全球范围内使用，包括 Teams、Skype、Xbox Live、Office 365、Bing、Azure Active Directory、Azure Portal、Microsoft Store 等。 它还被数千个外部客户使用，包括 OpenAI 用于 ChatGPT 和其他任务关键型 AI 应用程序，这些应用程序需要弹性扩展、开箱即用的全球分布以及全球范围内的低延迟和高可用性。
What is DiskANN?
DiskANN（基于磁盘的近似最近邻搜索）是 Azure Cosmos DB 中使用的一项创新技术，用于增强向量搜索的性能。 它通过对存储在 Cosmos DB 中的嵌入进行索引，实现跨高维数据的高效和可扩展的相似性搜索。
DiskANN 提供以下好处：
- 效率：通过利用基于磁盘的结构，DiskANN 与传统方法相比，显著减少了查找最近邻所需的时间。
- 可扩展性：它可以处理超过内存容量的大型数据集，使其适用于各种应用程序，包括机器学习和 AI 驱动的解决方案。
- 低延迟：DiskANN 最小化搜索操作期间的延迟，确保应用程序即使在大数据量的情况下也能快速检索结果。
在 Spring AI for Azure Cosmos DB 的上下文中，向量搜索将创建并利用 DiskANN 索引，以确保相似性查询的最佳性能。
Setting up Azure Cosmos DB Vector Store with Auto Configuration
以下代码演示如何使用 auto-configuration 设置 CosmosDBVectorStore：
package com.example.demo;
import io.micrometer.observation.ObservationRegistry;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.ai.document.Document;
import org.springframework.ai.vectorstore.SearchRequest;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.autoconfigure.EnableAutoConfiguration;
import org.springframework.boot.CommandLineRunner;
import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Lazy;
import java.util.List;
import java.util.Map;
import java.util.UUID;
import static org.assertj.core.api.Assertions.assertThat;
@SpringBootApplication
@EnableAutoConfiguration
public class DemoApplication implements CommandLineRunner {
private static final Logger log = LoggerFactory.getLogger(DemoApplication.class);
@Lazy
@Autowired
private VectorStore vectorStore;
public static void main(String[] args) {
SpringApplication.run(DemoApplication.class, args);
}
@Override
public void run(String... args) throws Exception {
Document document1 = new Document(UUID.randomUUID().toString(), "Sample content1", Map.of("key1", "value1"));
Document document2 = new Document(UUID.randomUUID().toString(), "Sample content2", Map.of("key2", "value2"));
this.vectorStore.add(List.of(document1, document2));
List<Document> results = this.vectorStore.similaritySearch(SearchRequest.builder().query("Sample content").topK(1).build());
log.info("Search results: {}", results);
// 从向量存储中删除文档
this.vectorStore.delete(List.of(document1.getId(), document2.getId()));
}
@Bean
public ObservationRegistry observationRegistry() {
return ObservationRegistry.create();
}
}
Auto Configuration
注意： Spring AI auto-configuration、starter modules 的 artifact 名称发生了重大变化。 请参阅 upgrade notes 了解更多信息。
将以下依赖项添加到您的 Maven 项目：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-vector-store-azure-cosmos-db</artifactId>
</dependency>
Configuration Properties
以下配置属性可用于 Cosmos DB 向量存 储：
| Property | Description |
|---|---|
| spring.ai.vectorstore.cosmosdb.databaseName | 要使用的 Cosmos DB 数据库名称。 |
| spring.ai.vectorstore.cosmosdb.containerName | 要使用的 Cosmos DB 容器名称。 |
| spring.ai.vectorstore.cosmosdb.partitionKeyPath | 分区键的路径。 |
| spring.ai.vectorstore.cosmosdb.metadataFields | 元数据字段的逗号分隔列表。 |
| spring.ai.vectorstore.cosmosdb.vectorStoreThroughput | 向量存储的吞吐量。 |
| spring.ai.vectorstore.cosmosdb.vectorDimensions | 向量的维度数。 |
| spring.ai.vectorstore.cosmosdb.endpoint | Cosmos DB 的端点。 |
| spring.ai.vectorstore.cosmosdb.key | Cosmos DB 的密钥（如果不存在密钥，将使用 DefaultAzureCredential）。 |
Complex Searches with Filters
您可以在 Cosmos DB 向量存储中使用过滤器执行更复杂的搜索。 下面是一个演示如何在搜索查询中使用过滤器的示例。
Map<String, Object> metadata1 = new HashMap<>();
metadata1.put("country", "UK");
metadata1.put("year", 2021);
metadata1.put("city", "London");
Map<String, Object> metadata2 = new HashMap<>();
metadata2.put("country", "NL");
metadata2.put("year", 2022);
metadata2.put("city", "Amsterdam");
Document document1 = new Document("1", "A document about the UK", this.metadata1);
Document document2 = new Document("2", "A document about the Netherlands", this.metadata2);
vectorStore.add(List.of(document1, document2));
FilterExpressionBuilder builder = new FilterExpressionBuilder();
List<Document> results = vectorStore.similaritySearch(SearchRequest.builder().query("The World")
.topK(10)
.filterExpression((this.builder.in("country", "UK", "NL")).build()).build());
Setting up Azure Cosmos DB Vector Store without Auto Configuration
以下代码演示如何在不依赖 auto-configuration 的情况下设置 CosmosDBVectorStore。建议使用 DefaultAzureCredential 对 Azure Cosmos DB 进行身份验证。
@Bean
public VectorStore vectorStore(ObservationRegistry observationRegistry) {
// 创建 Cosmos DB 客户端
CosmosAsyncClient cosmosClient = new CosmosClientBuilder()
.endpoint(System.getenv("COSMOSDB_AI_ENDPOINT"))
.credential(new DefaultAzureCredentialBuilder().build())
.userAgentSuffix("SpringAI-CDBNoSQL-VectorStore")
.gatewayMode()
.buildAsyncClient();
// 创建并配置向量存储
return CosmosDBVectorStore.builder(cosmosClient, embeddingModel)
.databaseName("test-database")
.containerName("test-container")
// 配置用于过滤的元数据字段
.metadataFields(List.of("country", "year", "city"))
// 设置分区键路径（可选）
.partitionKeyPath("/id")
// 配置性能设置
.vectorStoreThroughput(1000)
.vectorDimensions(1536) // 匹配您的嵌入模型的维度
// 添加自定义批处理策略（可选）
.batchingStrategy(new TokenCountBatchingStrategy())
// 添加用于指标的观察注册表
.observationRegistry(observationRegistry)
.build();
}
@Bean
public EmbeddingModel embeddingModel() {
return new TransformersEmbeddingModel();
}
此配置显示了所有可用的构建器选项：
databaseName：您的 Cosmos DB 数据库名称containerName：数据库中的容器名称partitionKeyPath：分区键的路径（例如，"/id"）metadataFields：将用于过滤的元数据字段列表vectorStoreThroughput：向量存储容器的吞吐量（RU/s）vectorDimensions：向量的维度数（应与您的嵌入模型匹配）batchingStrategy：批处理文档操作的策略（可选）
Manual Dependency Setup
在您的 Maven 项目中添加以下依赖项：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-azure-cosmos-db-store</artifactId>
</dependency>
Accessing the Native Client
Azure Cosmos DB Vector Store 实现通过 getNativeClient() 方法提供对底层原生 Azure Cosmos DB 客户端（CosmosClient） 的访问：
CosmosDBVectorStore vectorStore = context.getBean(CosmosDBVectorStore.class);
Optional<CosmosClient> nativeClient = vectorStore.getNativeClient();
if (nativeClient.isPresent()) {
CosmosClient client = nativeClient.get();
// 使用原生客户端进行 Azure Cosmos DB 特定操作
}
原生客户端使您可以访问可能未通过 VectorStore 接口公开的 Azure Cosmos DB 特定功能和操作。