Spring AI 向量库similaritySearch筛选高分相似度查询

编程教程 > Java > Spring (34) 2025-09-02 15:40:11

使用 VectorStore.similaritySearchWithScore 获取带分数的结果
过滤掉低分（低相关性）结果，只保留 score > threshold 的文档
提高输入给 LLM 的上下文质量，从而提升回答准确率

1. Spring AI 中的 `VectorStore` 与相似度分数

在 Spring AI 1.0.1 中，VectorStore 接口默认不返回分数，但大多数实现（如 QdrantVectorStore、ChromaVectorStore、MilvusVectorStore 等）都支持 带分数的搜索方法。

🔍 关键方法：`similaritySearch(…)` 的扩展

虽然 VectorStore 接口本身没有暴露 WithScore 方法，但具体实现类通常提供：

List<Document> similaritySearch(String query, int k, String... filters);

但为了获取 score，您需要使用：

👉 VectorStore#similaritySearch(SearchRequest request)

其中 SearchRequest 支持：

setQuery(String)
setTopK(int)
setSimilarityThreshold(double) ✅（关键！）

2. ✅ 正确做法：使用 `SearchRequest` 设置 `similarityThreshold`

这是 Spring AI 提高检索准确率的核心方式。

✅ 示例代码（Spring Boot + Spring AI 1.0.1）

@Service
public class RetrievalService {
    private final VectorStore vectorStore;
    public RetrievalService(VectorStore vectorStore) {
        this.vectorStore = vectorStore;
    }
    public List<Document> retrieveRelevantDocuments(String query, double minScore, int maxResults) {
        SearchRequest request = new SearchRequest();
        request.setQuery(query);
        request.setTopK(maxResults);
        request.setSimilarityThreshold(minScore); // ← 只返回 score >= minScore 的结果
        return vectorStore.similaritySearch(request);
    }
}

📌 配置示例（application.yml）

spring:
  ai:
    vectorstore:
      qdrant:
        host: localhost
        port: 6333
      # 或 chroma, milvus, etc.

3. ⚠️ 注意：相似度分数范围

不同向量数据库的 score 范围不同，设置阈值时要小心：

向量库	相似度类型	分数范围	越高越好？
Qdrant	余弦相似度	`[0, 1]`	✅ 是（1 最相似）
Chroma	余弦相似度	`[-1, 1]`	✅ 是（1 最相似）
Milvus	内积/余弦	`[-1, 1]` 或 `[0,1]`	✅ 是
Pinecone	余弦	`[0,1]`	✅ 是
FAISS (原始)	L2 距离	`[0, ∞)`	❌ 越小越好

✅ 推荐阈值（以余弦相似度为例）

0.75 ~ 0.95：高质量匹配（推荐用于 RAG）
< 0.6：通常噪声较大，建议过滤

// 示例：只返回高相关性文档
List<Document> docs = retrieveRelevantDocuments("人工智能", 0.75, 10);

4. ✅ 结合 ChatClient 提升准确率

@Service
public class ChatService {
    private final ChatClient chatClient;
    private final RetrievalService retrievalService;
    public ChatService(ChatClient chatClient, RetrievalService retrievalService) {
        this.chatClient = chatClient;
        this.retrievalService = retrievalService;
    }
    public String chat(String userMessage) {
        // 1. 检索高相关性上下文
        List<Document> relevantDocs = retrievalService.retrieveRelevantDocuments(
            userMessage, 0.75, 5
        );
        // 2. 构建上下文
        String context = relevantDocs.stream()
            .map(Document::getContent)
            .reduce("", (a, b) -> a + "\n\n" + b);
        // 3. 调用 LLM
        return chatClient.prompt()
            .user(userMessage)
            .advisory(context) // 使用 advisory 添加上下文（Spring AI 推荐方式）
            .call()
            .content();
    }
}

💡 advisory() 是 Spring AI 中用于添加 RAG 上下文的推荐方式，不会干扰主语义。

5. ✅ 提高准确率的其他建议

方法	说明
提高 embedding 质量	使用高质量模型（如 `text-embedding-3-large`）
优化文本分块	块大小 256~512 token，避免截断关键信息
添加元数据过滤	如 `request.setFilter("category = 'tech'")`
重排序（Rerank）	检索后使用 Cross-Encoder 重排序（Spring AI 即将支持）
查询扩展	生成同义查询并合并结果

✅ 总结

目标	实现方式
获取相似度分数	使用 `SearchRequest` 而非简单 `similaritySearch`
过滤低分结果	`request.setSimilarityThreshold(0.75)`
提高 RAG 准确率	结合高阈值 + 高质量 embedding + 合理分块
集成 ChatClient	使用 `advisory()` 注入过滤后的上下文

✅ 最终建议配置：

SearchRequest request = new SearchRequest();
request.setQuery(userMessage);
request.setTopK(5);
request.setSimilarityThreshold(0.75); // 关键：提高门槛
List<Document> results = vectorStore.similaritySearch(request);

这样可以有效过滤噪声，提升 RAG 系统的整体准确率和稳定性。