版本：1.0.4

Providers

Spring AI 支持 20 种向量数据库实现，通过 spring.ai.vectorstore.type 配置属性切换，所有实现遵循统一的 VectorStore 接口。

1. 厂商总览

类型标识	厂商	部署模式	特点
`pgvector`	PGVector	自托管	PostgreSQL 扩展，最流行的开源方案
`pinecone`	Pinecone	云服务	全托管向量数据库，gRPC API
`qdrant`	Qdrant	自托管/云	高性能 Rust 实现，支持量化索引
`milvus`	Milvus	自托管/云	分布式向量数据库，支持多种索引
`redis`	Redis	自托管/云	RediSearch + RedisJSON 模块
`chroma`	Chroma	自托管	轻量级，适合原型开发
`elasticsearch`	Elasticsearch	自托管/云	全文搜索 + 向量搜索一体
`opensearch`	OpenSearch	自托管/云	AWS 托管的 Elasticsearch 分支
`azure`	Azure AI Search	云服务	Azure 原生向量搜索
`azure-cosmos-db`	Azure Cosmos DB	云服务	Azure 多模数据库
`cassandra`	Cassandra	自托管	分布式 NoSQL，适合大规模数据
`coherence`	Coherence	自托管	Oracle Coherence 内存网格
`couchbase`	Couchbase	自托管/云	分布式 NoSQL 数据库
`gemfire`	GemFire	自托管	VMware 内存数据网格
`hanadb`	SAP HANA	自托管	企业级内存数据库
`mariadb`	MariaDB	自托管	MySQL 分支，向量扩展
`mongodb-atlas`	MongoDB Atlas	云服务	MongoDB 托管向量搜索
`neo4j`	Neo4j	自托管/云	图数据库 + 向量索引
`oracle`	Oracle	自托管/云	Oracle 23ai AI Vector Search
`typesense`	Typesense	自托管/云	轻量级搜索引擎
`weaviate`	Weaviate	自托管/云	原生向量数据库，Hybrid Search

2. 通用配置模式

所有向量数据库共享三个配置层级：

spring.ai.vectorstore.type: pgvector          # ① 选择厂商

spring.ai.vectorstore.pgvector:               # ② 厂商专属配置
  initialize-schema: true
  dimensions: 1536
  distance-type: COSINE_DISTANCE
  index-type: HNSW

spring.ai.vectorstore.observations:           # ③ 可观测性配置
  log-query-response: false

自动装配条件：

类路径存在对应厂商的 SDK 依赖（@ConditionalOnClass）
spring.ai.vectorstore.type 属性匹配
所有实现均设置 matchIfMissing = true——即未显式设置 type 时，类路径存在哪个厂商的依赖就装配哪个

Starter 依赖格式： spring-ai-starter-vector-store-{type}，例如 PGVector 的依赖为 spring-ai-starter-vector-store-pgvector。

3. PGVector

PostgreSQL 的向量扩展，是 Spring AI 中最成熟的自托管方案。使用 JSONB 存储元数据，支持三种索引类型和三种距离算法。

依赖配置

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-vector-store-pgvector</artifactId>
</dependency>

spring.ai.vectorstore.type: pgvector

spring.ai.vectorstore.pgvector:
  initialize-schema: true
  schema-name: public
  table-name: vector_store
  dimensions: 1536
  id-type: UUID
  index-type: HNSW
  distance-type: COSINE_DISTANCE
  remove-existing-vector-store-table: false
  schema-validation: false
  max-document-batch-size: 10000

专属配置

属性	类型	默认值	说明
`schema-name`	String	`public`	PostgreSQL schema 名称
`table-name`	String	`vector_store`	向量存储表名
`dimensions`	int	`-1`（自动检测）	向量维度，-1 表示从 EmbeddingModel 自动获取
`index-type`	PgIndexType	`HNSW`	索引类型
`distance-type`	PgDistanceType	`COSINE_DISTANCE`	距离算法
`id-type`	PgIdType	`UUID`	主键 ID 类型
`remove-existing-vector-store-table`	boolean	`false`	启动时是否删除已有表
`schema-validation`	boolean	`false`	是否校验表结构一致性
`max-document-batch-size`	int	`10000`	单次写入最大文档数

索引类型（PgIndexType）

值	说明
`NONE`	不建立索引，执行精确搜索（适合小数据集）
`IVFFLAT`	倒排文件索引，构建快，适合百万级数据
`HNSW`	分层可导航小世界图，查询性能最优，构建较慢

距离算法（PgDistanceType）

值	PostgreSQL 运算符	适用场景
`COSINE_DISTANCE`	`<=>`	语义相似度（推荐）
`EUCLIDEAN_DISTANCE`	`<->`	向量空间距离
`NEGATIVE_INNER_PRODUCT`	`<#>`	点积相似度

ID 类型（PgIdType）

UUID（默认）、TEXT、INTEGER、SERIAL、BIGSERIAL。使用 UUID 可避免与业务主键冲突，SERIAL 则适合需要自增整数的场景。

手动创建

var store = PgVectorStore.builder(jdbcTemplate, embeddingModel)
        .schemaName("public")
        .vectorTableName("my_documents")
        .dimensions(1536)
        .distanceType(PgVectorStore.PgDistanceType.COSINE_DISTANCE)
        .indexType(PgVectorStore.PgIndexType.HNSW)
        .idType(PgVectorStore.PgIdType.UUID)
        .initializeSchema(true)
        .build();

4. Pinecone

Pinecone 是全托管云向量数据库，通过 gRPC API 通信，免运维。

依赖配置

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-vector-store-pinecone</artifactId>
</dependency>

spring.ai.vectorstore.type: pinecone

spring.ai.vectorstore.pinecone:
  api-key: ${PINECONE_API_KEY}
  index-name: my-index
  namespace: my-namespace
  content-field-name: document_content
  distance-metadata-field-name: distance

专属配置

属性	说明
`api-key`	Pinecone API 密钥（必需）
`index-name`	Pinecone 索引名称（必需）
`namespace`	命名空间，用于逻辑隔离（可选，默认空字符串）
`content-field-name`	文档内容在 metadata 中的字段名，默认 `"document_content"`
`distance-metadata-field-name`	距离得分的 metadata 字段名，默认 `"distance"`

注意： Pinecone API 不支持按条件直接删除文档，Spring AI 的实现通过先搜索再按 ID 删除来模拟此功能。

手动创建

var store = PineconeVectorStore.builder(pineconeApi, embeddingModel)
        .namespace("my-namespace")
        .contentFieldName("doc_content")
        .build();

5. Qdrant

Qdrant 是 Rust 实现的高性能向量数据库，支持本地部署和 Qdrant Cloud。

依赖配置

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-vector-store-qdrant</artifactId>
</dependency>

spring.ai.vectorstore.type: qdrant

spring.ai.vectorstore.qdrant:
  host: localhost
  port: 6334
  api-key: ${QDRANT_API_KEY}
  use-tls: false
  collection-name: vector_store
  initialize-schema: true

专属配置

属性	默认值	说明
`host`	`localhost`	Qdrant 服务地址
`port`	`6334`	gRPC 端口
`api-key`	-	API 密钥（Qdrant Cloud 必需）
`use-tls`	`false`	是否启用 TLS
`collection-name`	`vector_store`	集合名称

手动创建

var store = QdrantVectorStore.builder(qdrantClient, embeddingModel)
        .collectionName("my_collection")
        .initializeSchema(true)
        .build();

6. Milvus

Milvus 是分布式向量数据库，支持多种索引类型和度量方式，兼容 Zilliz Cloud。

依赖配置

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-vector-store-milvus</artifactId>
</dependency>

spring.ai.vectorstore.type: milvus

spring.ai.vectorstore.milvus:
  host: localhost
  port: 19530
  database-name: default
  collection-name: vector_store
  embedding-dimension: 1536
  index-type: IVF_FLAT
  metric-type: COSINE
  index-parameters: '{"nlist": 1024}'
  initialize-schema: true

专属配置

属性	默认值	说明
`host`	`localhost`	Milvus 服务地址
`port`	`19530`	Milvus 端口
`database-name`	`default`	数据库名称
`collection-name`	`vector_store`	集合名称
`embedding-dimension`	`-1`	向量维度，-1 自动检测
`index-type`	`IVF_FLAT`	索引类型
`metric-type`	`COSINE`	度量类型：`COSINE`、`L2`、`IP`
`index-parameters`	`{"nlist":1024}`	索引参数 JSON

Milvus 专属搜索请求

Milvus 提供了 SearchRequest 的扩展，支持原生 Milvus 过滤表达式和搜索参数：

List<Document> results = vectorStore.similaritySearch(
    MilvusSearchRequest.builder()
        .query("Spring AI 是什么")
        .topK(5)
        .nativeExpression("category == \"documentation\"")
        .searchParamsJson("{\"nprobe\": 128}")
        .build()
);

7. Redis

Redis 向量存储需要 Redis Stack（包含 RediSearch 和 RedisJSON 模块）。

依赖配置

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-vector-store-redis</artifactId>
</dependency>

spring.ai.vectorstore.type: redis

spring.ai.vectorstore.redis:
  host: localhost
  port: 6379
  index-name: spring-ai-index
  prefix: "embedding:"
  content-field-name: content
  embedding-field-name: embedding
  vector-algorithm: HSNW
  initialize-schema: true

专属配置

属性	默认值	说明
`host`	`localhost`	Redis 服务地址
`port`	`6379`	Redis 端口
`index-name`	`spring-ai-index`	RediSearch 索引名称
`prefix`	`embedding:`	文档 Key 前缀
`content-field-name`	`content`	文档内容字段名
`embedding-field-name`	`embedding`	向量字段名
`vector-algorithm`	`HSNW`	向量索引算法：`HSNW` 或 `FLAT`

元数据字段配置

Redis 支持额外的元数据索引字段配置，为元数据字段建立二级索引以加速过滤查询：

var store = RedisVectorStore.builder(jedis, embeddingModel)
        .metadataFields(
            MetadataField.tag("category"),
            MetadataField.numeric("year"),
            MetadataField.text("title")
        )
        .build();

MetadataField 类型：

类型	方法	说明
`tag`	`MetadataField.tag(name)`	标签字段，支持精确匹配
`numeric`	`MetadataField.numeric(name)`	数值字段，支持范围查询
`text`	`MetadataField.text(name)`	文本字段，支持全文搜索

8. Chroma

Chroma 是轻量级开源向量数据库，REST API 通信，适合本地开发和小规模应用。

依赖配置

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-vector-store-chroma</artifactId>
</dependency>

spring.ai.vectorstore.type: chroma

spring.ai.vectorstore.chroma:
  client:
    host: http://localhost
    port: 8000
    key-token: ${CHROMA_API_KEY}
  tenant-name: default_tenant
  database-name: default_database
  collection-name: default_collection
  initialize-schema: true

专属配置

属性	默认值	说明
`client.host`	`http://localhost`	Chroma 服务地址
`client.port`	`8000`	Chroma 端口
`client.key-token`	-	API 密钥
`tenant-name`	`default_tenant`	租户名称
`database-name`	`default_database`	数据库名称
`collection-name`	`default_collection`	集合名称

9. 其他厂商速查

以下厂商同样遵循 spring.ai.vectorstore.{type} 的配置前缀模式，仅列出关键属性。

Elasticsearch

spring.ai.vectorstore.type: elasticsearch
spring.ai.vectorstore.elasticsearch:
  uris: http://localhost:9200
  index-name: spring-ai-index
  dimensions: 1536
  similarity: cosine

OpenSearch

spring.ai.vectorstore.type: opensearch
spring.ai.vectorstore.opensearch:
  uris: http://localhost:9200
  index-name: spring-ai-index

Azure AI Search

spring.ai.vectorstore.type: azure
spring.ai.vectorstore.azure:
  endpoint: ${AZURE_AI_SEARCH_ENDPOINT}
  api-key: ${AZURE_AI_SEARCH_API_KEY}
  index-name: spring-ai-index

Azure Cosmos DB

spring.ai.vectorstore.type: azure-cosmos-db
spring.ai.vectorstore.azure-cosmos-db:
  endpoint: ${AZURE_COSMOS_ENDPOINT}
  key: ${AZURE_COSMOS_KEY}
  database-name: spring-ai-db
  container-name: spring-ai-container

Cassandra

spring.ai.vectorstore.type: cassandra
spring.ai.vectorstore.cassandra:
  keyspace: spring_ai
  table: vector_store
  dimensions: 1536

MongoDB Atlas

spring.ai.vectorstore.type: mongodb-atlas
spring.ai.vectorstore.mongodb-atlas:
  connection-string: ${MONGODB_ATLAS_URI}
  database-name: spring_ai
  collection-name: vector_store
  index-name: default

Neo4j

spring.ai.vectorstore.type: neo4j
spring.ai.vectorstore.neo4j:
  database-name: neo4j
  embedding-dimension: 1536
  index-name: spring-ai-index
  label: Document
  embedding-property: embedding

Oracle

spring.ai.vectorstore.type: oracle
spring.ai.vectorstore.oracle:
  table-name: vector_store
  index-type: IVF
  distance-type: COSINE

Typesense

spring.ai.vectorstore.type: typesense
spring.ai.vectorstore.typesense:
  api-key: ${TYPESENSE_API_KEY}
  protocol: http
  host: localhost
  port: 8108
  collection-name: spring_ai_vector_store
  embedding-dimension: 1536

Weaviate

spring.ai.vectorstore.type: weaviate
spring.ai.vectorstore.weaviate:
  scheme: http
  host: localhost:8080
  api-key: ${WEAVIATE_API_KEY}
  index-name: SpringAiVectorStore

MariaDB

spring.ai.vectorstore.type: mariadb
spring.ai.vectorstore.mariadb:
  schema-name: ai
  table-name: vector_store
  dimensions: 1536

GemFire

spring.ai.vectorstore.type: gemfire
spring.ai.vectorstore.gemfire:
  index-name: vector-index
  dimensions: 1536

Couchbase

spring.ai.vectorstore.type: couchbase
spring.ai.vectorstore.couchbase:
  connection-string: ${COUCHBASE_CONNECTION_STRING}
  username: ${COUCHBASE_USERNAME}
  password: ${COUCHBASE_PASSWORD}
  bucket-name: spring-ai
  scope-name: _default
  collection-name: vector_store

Coherence

spring.ai.vectorstore.type: coherence
spring.ai.vectorstore.coherence:
  session-name: default
  cache-name: vector-store

SAP HANA

spring.ai.vectorstore.type: hanadb
spring.ai.vectorstore.hanadb:
  table-name: VECTOR_STORE
  top-k: 4

10. 功能对比

厂商	索引类型	距离算法	Filter 删除	原生客户端	Schema 管理	部署复杂度
PGVector	NONE, IVFFLAT, HNSW	Cosine, Euclidean, InnerProduct	支持	JdbcTemplate	自动建表	中（需安装扩展）
Pinecone	自动（云托管）	Cosine（内置）	模拟（搜索后删除）	Pinecone gRPC	无需管理	低（全托管）
Qdrant	自动	Cosine（内置）	支持	QdrantClient	自动建集合	低
Milvus	IVF_FLAT 等	Cosine, L2, IP	支持	MilvusServiceClient	自动建集合	高（分布式）
Redis	FLAT, HSNW	Cosine（内置）	支持	JedisPooled	FT.CREATE	中（需 Redis Stack）
Chroma	自动	Cosine（内置）	支持	ChromaApi（REST）	自动建集合	低
Elasticsearch	自动	Cosine, L2, DotProduct	支持	ElasticsearchClient	自动建索引	中
OpenSearch	自动	Cosine, L2	支持	OpenSearchClient	自动建索引	中
Azure	自动（云托管）	Cosine（内置）	支持	SearchIndexClient	自动建索引	低（全托管）
Neo4j	自动	Cosine（内置）	支持	Neo4jClient	自动建索引	中

11. 选型建议

场景	推荐
已有 PostgreSQL，不想引入新服务	PGVector
零运维、快速启动	Pinecone 或 Qdrant Cloud
高性能 + 自托管	Qdrant
大规模分布式	Milvus
已有 Redis Stack	Redis
本地原型开发	Chroma
全文搜索 + 向量搜索一体	Elasticsearch
Azure 生态	Azure AI Search
MongoDB 生态	MongoDB Atlas
图数据 + 向量	Neo4j
企业级 Oracle 环境	Oracle 23ai

1. 厂商总览​

2. 通用配置模式​

3. PGVector​

依赖配置​

专属配置​

索引类型（PgIndexType）​

距离算法（PgDistanceType）​

ID 类型（PgIdType）​

手动创建​

4. Pinecone​

依赖配置​

专属配置​

手动创建​

5. Qdrant​

依赖配置​

专属配置​

手动创建​

6. Milvus​

依赖配置​

专属配置​

Milvus 专属搜索请求​

7. Redis​

依赖配置​

专属配置​

元数据字段配置​

8. Chroma​

依赖配置​

专属配置​

9. 其他厂商速查​

Elasticsearch​

OpenSearch​

Azure AI Search​

Azure Cosmos DB​

Cassandra​

MongoDB Atlas​

Neo4j​

Oracle​

Typesense​

Weaviate​

MariaDB​

GemFire​

Couchbase​

Coherence​

SAP HANA​

10. 功能对比​

11. 选型建议​

1. 厂商总览

2. 通用配置模式

3. PGVector

依赖配置

专属配置

索引类型（PgIndexType）

距离算法（PgDistanceType）

ID 类型（PgIdType）

手动创建

4. Pinecone

依赖配置

专属配置

手动创建

5. Qdrant

依赖配置

专属配置

手动创建

6. Milvus

依赖配置

专属配置

Milvus 专属搜索请求

7. Redis

依赖配置

专属配置

元数据字段配置

8. Chroma

依赖配置

专属配置

9. 其他厂商速查

Elasticsearch

OpenSearch

Azure AI Search

Azure Cosmos DB

Cassandra

MongoDB Atlas

Neo4j

Oracle

Typesense

Weaviate

MariaDB

GemFire

Couchbase

Coherence

SAP HANA

10. 功能对比

11. 选型建议