🔥关注墨瑾轩，带你探索编程的奥秘！🚀
🔥超萌技术攻略，轻松晋级编程高手🚀
🔥技术宝库已备好，就等你来挖掘🚀
🔥订阅墨瑾轩，智趣学习不孤单🚀
🔥即刻启航，编程之旅更有趣🚀

Semantic Kernel向量存储的“全自动流水线”

一、第一步：定义数据模型——向量存储的“身份证”

核心问题：

• 传统数据库存字符串？向量存储需要“结构化+向量化”的数据！

解决方案：

• 使用 VectorStoreRecordKey、VectorStoreRecordVector 等属性标注字段

代码示例：定义用户模型类

// 定义用户模型（UserModel.cs）
public class UserModel
{
    // 唯一标识符（必填）
    [VectorStoreRecordKey] 
    public string UserId { get; set; } 

    // 存储原始数据（可选）
    [VectorStoreRecordData]
    public string UserName { get; set; }

    [VectorStoreRecordData]
    public string Hobby { get; set; }

    // 动态生成描述信息（用于向量化）
    public string Description => $"{UserName}'s ID is {UserId} and hobby is {Hobby}";

    // 向量字段（必填）
    [VectorStoreRecordVector(1024, DistanceFunction.CosineDistance, IndexKind.Hnsw)]
    public ReadOnlyMemory<float>? DescriptionEmbedding { get; set; }
}

代码解析：

• VectorStoreRecordKey：唯一标识符，用于快速定位记录
• VectorStoreRecordData：存储原始数据（如用户名、爱好）
• VectorStoreRecordVector：
  • 1024：向量维度（需与嵌入模型输出一致）
  • CosineDistance：余弦距离（推荐用于文本相似度）
  • Hnsw：高效近似最近邻索引（适合大规模数据）

---

二、第二步：初始化向量存储——“多数据库通用配方”

核心问题：

• Redis、Weaviate、Elasticsearch……选哪个？

解决方案：

• Semantic Kernel 提供统一接口，自动适配不同数据库！

代码示例：初始化Redis向量存储

// 初始化Redis连接（Program.cs）
using var connection = ConnectionMultiplexer.Connect("localhost:6379");
var redisDb = connection.GetDatabase();

// 创建Redis向量存储实例
var vectorStore = new RedisVectorStore(
    redisDb, 
    new RedisVectorStoreOptions {
        StorageType = RedisStorageType.HashSet // 使用哈希表存储
    }
);

// 创建集合（类似数据库的“表”）
var collection = vectorStore.GetCollection<string, UserModel>("ks_user");
await collection.CreateCollectionIfNotExistsAsync();

代码解析：

• RedisVectorStore：Redis的向量存储实现
• CreateCollectionIfNotExistsAsync：自动创建集合（如果不存在）

---

三、第三步：向量检索——“秒级相似性搜索”

核心问题：

• 用户问“喜欢游泳的人有哪些？” → 如何快速找到匹配用户？

解决方案：

• 将查询文本转为向量 → 使用 VectorizedSearchAsync 检索

代码示例：向量相似性搜索

// 初始化嵌入生成服务（Ollama）
var ollamaApiClient = new OllamaApiClient(
    new Uri("http://localhost:11434"), 
    "llama3"
);
var embeddingGenerator = ollamaApiClient.AsTextEmbeddingGenerationService();

// 将查询文本转为向量
var query = await embeddingGenerator.GenerateEmbeddingAsync("Who hobby is swimming?");

// 配置搜索参数
var vectorSearchOptions = new VectorSearchOptions {
    VectorPropertyName = nameof(UserModel.DescriptionEmbedding), // 指定向量字段
    Top = 3 // 返回前3个最相似的结果
};

// 执行向量搜索
var searchResult = await collection.VectorizedSearchAsync(query, vectorSearchOptions);

// 输出结果
await foreach (var user in searchResult.Results) {
    Console.WriteLine($"用户名: {user.Record.UserName}, 相似度: {user.Score}");
}

代码解析：

• GenerateEmbeddingAsync：将文本转为向量（依赖Ollama服务）
• VectorizedSearchAsync：根据向量相似度检索数据
• Top=3：返回最相似的3条记录

---

四、进阶：Weaviate向量存储的“魔法配方”

核心问题：

• Redis不够快？试试Weaviate的“近似最近邻加速”！

代码示例：初始化Weaviate向量存储

// 初始化Weaviate连接
using var httpClient = new HttpClient { BaseAddress = new Uri("http://localhost:8080/v1/") };
var vectorStore = new WeaviateVectorStore(httpClient);

// 创建命名集合
var collection = new WeaviateVectorStoreRecordCollection<Hotel>(
    httpClient,
    "Skhotels"
);

代码解析：

• WeaviateVectorStore：Weaviate的向量存储实现
• Skhotels：集合名称（类似数据库的“表名”）

---

五、实战案例：从“字符串”到“向量”的华丽转身

案例：酒店信息检索系统

原始问题：

• 用户问“推荐适合家庭的酒店” → 传统数据库需要复杂SQL查询

优化步骤：

1. 定义酒店模型

   public class Hotel {
       [VectorStoreRecordKey]
       public ulong HotelId { get; set; }
   
       [VectorStoreRecordData(IsFilterable = true)]
       public string HotelName { get; set; }
   
       [VectorStoreRecordData(IsFullTextSearchable = true)]
       public string Description { get; set; }
   
       [VectorStoreRecordVector(4, DistanceFunction.CosineDistance, IndexKind.QuantizedFlat)]
       public ReadOnlyMemory<float>? DescriptionEmbedding { get; set; }
   }
   

2. 插入数据

   var hotels = new List<Hotel> {
       new Hotel {
           HotelId = 1,
           HotelName = "海洋度假村",
           Description = "适合家庭的海边度假酒店，提供儿童游乐区和亲子活动。",
           DescriptionEmbedding = await GenerateEmbedding("适合家庭的海边度假酒店")
       },
       // 其他酒店数据...
   };
   
   foreach (var hotel in hotels) {
       await collection.UpsertAsync(hotel);
   }
   

3. 检索数据

   var query = await embeddingGenerator.GenerateEmbeddingAsync("适合家庭的酒店");
   var searchResult = await collection.VectorizedSearchAsync(query, vectorSearchOptions);
   

效果：

• 响应时间从500ms降至50ms！用户满意度飙升！

---

向量存储的“超能力”来了！

从 Redis 到 Weaviate，再到 Elasticsearch，Semantic Kernel 已经帮你打通了“向量存储”的任督二脉！

记住这 3大核心步骤：

1. 定义数据模型（VectorStoreRecordKey + VectorStoreRecordVector）
2. 初始化向量存储（自动适配多数据库）
3. 向量检索（相似性搜索秒级响应）