MariaDB Vector Store 技术详解与实战指南

概述

MariaDB Vector Store 是 MariaDB 从 11.7 版本起内置的数据向量检索能力，专为存储和检索机器学习生成的向量嵌入（embeddings）设计。它支持高效的向量相似度搜索，并原生支持余弦相似度（Cosine）与欧几里得距离（Euclidean）两种度量方式。这项技术使得知识检索、智能问答、推荐系统等场景在传统数据库体系中也能高效实现。

---

名词解释

• Embedding（嵌入）：将文本、图片等非结构化数据转化为定长的高维向量，用于机器学习中的特征表达。
• Vector Store（向量存储）：用于存储和检索这些嵌入向量的数据库或服务。
• Similarity Search（相似度搜索）：基于查询向量寻找最相似的向量及其关联内容。
• Cosine Similarity（余弦相似度）：衡量两个向量夹角的相似度，值越大越相似。
• Euclidean Distance（欧几里得距离）：衡量两个向量间的空间距离，值越小越相似。
• Spring AI：Spring 生态下的 AI 集成框架，支持多种 AI 服务与向量存储的自动配置。

---

项目背景与发展历史

随着 AI 应用（如问答、推荐、搜索等）对向量检索的需求暴增，传统数据库对高维向量的支持成为热点。MariaDB 于 2023 年底发布 11.7 版本，正式引入原生向量索引与检索能力，极大简化了 AI 与数据库的集成流程。Spring AI 则进一步降低了开发门槛，让 Java 开发者能一键集成向量存储与模型推理。

权威参考资料：

• MariaDB 官方文档：Vector Support
• Spring AI 官方文档
• 向量数据库原理综述
• Embedding 技术简述

---

技术架构与工作流程

1. 系统结构 Flowchart

说明：
原始数据通过 EmbeddingModel（如 OpenAI、Huggingface 等）生成向量，存入 MariaDB Vector Store。检索时，输入查询被转为向量，与数据库中向量做相似度计算并返回匹配结果。

---

2. 状态转换 StateDiagram

说明：
整个流程从初始化到数据入库、检索、相似度计算、结果返回，形成闭环。

---

3. 交互流程 SequenceDiagram

说明：
用户通过 SpringAI 提交数据，EmbeddingModel 生成向量，MariaDB 存储。检索时，查询向量与数据库比对，返回最相关结果。

---

实战配置与代码示例

1. 环境准备

• MariaDB 11.7+（本地/云服务/Docker）
• Spring Boot 3.x
• Spring AI 依赖

Maven 依赖

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-vector-store-mariadb</artifactId>
</dependency>
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-model-openai</artifactId>
</dependency>

application.yml 示例

spring:
  datasource:
    url: jdbc:mariadb://localhost/db
    username: myUser
    password: myPassword
  ai:
    vectorstore:
      mariadb:
        initialize-schema: true
        distance-type: COSINE
        dimensions: 1536

2. 自动配置与用法

@Autowired
VectorStore vectorStore;

List<Document> documents = List.of(
    new Document("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"))
);

// 添加数据
vectorStore.add(documents);

// 相似度检索
List<Document> results = vectorStore.similaritySearch(
    SearchRequest.builder().query("Spring").topK(5).build()
);

for (Document doc : results) {
    System.out.println("Document: " + doc.getText() + ", Score: " + doc.getScore());
}

3. 元数据过滤与高级检索

vectorStore.similaritySearch(
    SearchRequest.builder()
        .query("The World")
        .topK(5)
        .similarityThreshold(0.8)
        .filterExpression("author in ['john', 'jill'] && article_type == 'blog'")
        .build()
);

4. 手动配置方式

@Bean
public VectorStore vectorStore(JdbcTemplate jdbcTemplate, EmbeddingModel embeddingModel) {
    return MariaDBVectorStore.builder(jdbcTemplate, embeddingModel)
        .dimensions(1536)
        .distanceType(MariaDBDistanceType.COSINE)
        .initializeSchema(true)
        .build();
}

---

速记口总结

• MariaDB 11.7+ 原生支持向量存储和高效检索
• Spring AI 自动化集成，极简配置即可用
• 支持余弦/欧几里得距离检索，分数越高越相关
• 元数据过滤灵活，支持复杂检索表达式
• 检索结果自动排序，支持阈值过滤
• 适合知识库问答、推荐、语义搜索等场景

---

系统性认知

MariaDB Vector Store 的出现，打通了传统数据库与 AI 应用的最后一公里。它利用数据库原生索引与事务能力，结合 Spring AI 的自动化框架，既保证了数据安全与一致性，又提供了高效的向量检索能力。开发者无需掌握专门的向量数据库，只需在熟悉的 Spring 体系下轻松实现 AI 驱动的智能检索功能。

---

参考文献

1. MariaDB 官方 Vector 功能文档
2. Spring AI 官方文档
3. Illustrated Word2Vec

---

结语

MariaDB Vector Store 让 AI 与数据库深度融合成为现实，是企业知识管理、智能检索、推荐等场景的利器。通过 Spring AI，Java 开发者能快速构建面向未来的智能应用。建议大家结合上述 mermaid 图表，理清数据流与架构，知其然，更知其所以然。