简单演示LangChian4j集成PGVector 17实现RAG（检索增强生成）

技术栈

• 框架：Spring Boot 4.1.1
• 嵌入模型：Qwen3-Embedding-4B
• 向量持久化存储：PGVector 17（PostgreSQL 17 + 预装 pgvector 扩展）

步骤

<!– LangChian4j 基础 –>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j</artifactId>
<version>1.19.0</version>
</dependency>
<!– OpenAI 适配 –>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-open-ai</artifactId>
<version>1.19.0</version>
<scope>compile</scope>
</dependency>
<!– pgvector –>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-pgvector</artifactId>
<version>1.19.0-beta29</version>
<scope>compile</scope>
</dependency>

@Configuration
public class LLMConfig {

@Bean
public EmbeddingModel embeddingModel() {
return OpenAiEmbeddingModel.builder()
.apiKey("sk-xxxxx")
.baseUrl("https://api.siliconflow.cn/v1")
.modelName("Qwen/Qwen3-Embedding-4B") // 2560维
.build();
}

@Bean
public PgVectorEmbeddingStore pgVectorEmbeddingStore() {
return PgVectorEmbeddingStore.builder()
.host("xxx.xxx.xxx.xxx")
.port(15432)
.database("test_db")
.user("xxx")
.password("xxx")
.table("document_embeddings")
.dimension(2560) // 必须与嵌入模型的维度一致
.build();
}

}

可以在test_db中执行SELECT extname FROM pg_extension WHERE extname = 'vector'来验证是否已经启用了拓展

注意：PgVectorEmbeddingStore在初始化（首次建立连接、准备表结构）时，会默认自动执行类似这样的 SQL来启用拓展

CREATE EXTENSION IF NOT EXISTS vector; — 若未启用则自动启用

同时还会执行建表CREATE TABLE IF NOT EXISTS …和建索引，但是连接账号必须有权限执行

• 在 PostgreSQL 15 及以上：只有超级用户或该**数据库的所有者(owner)**才能执行CREATE EXTENSION。如果既不是超级用户也不是test_db的所有者，会自动执行失败，抛异常。
• 在 PostgreSQL 14 及以下：只要用户有数据库的 CREATE 权限就能建

@SpringBootTest
public class RAGTests {

@Autowired
private EmbeddingModel embeddingModel;
@Autowired
private EmbeddingStore<TextSegment> pgVectorEmbeddingStore;

// 测试文本向量化入库
@Test
void testRAG() {
// 构建文档元信息
Metadata metadata = new Metadata();
metadata.put("doc_id", "DOC_2026001");
metadata.put("author", "张三");
metadata.put("create_time", System.currentTimeMillis());
Document document = Document.from("Spring Boot 是一个用于构建微服务的框架，它基于 Spring 框架，提供自动化配置……", metadata);
// 切分文档为 300 字符的片段，每个片段之间间隔 50 字符
List<TextSegment> segments = DocumentSplitters.recursive(300, 50)
.split(document);
// 向量化
List<Embedding> embeddings = embeddingModel.embedAll(segments).content();
// 向量化入库
pgVectorEmbeddingStore.addAll(embeddings, segments);
System.out.println("文档切分为 " + segments.size() + " 个片段，已全部向量化并入库。");
}

// 测试相似度查询
@Test
void testQuery() {
String query = "什么是 Spring Boot？";
// 将查询文本向量化
Embedding queryEmbedding = embeddingModel.embed(query).content();

// 执行相似度检索（取最相似的 2 条）
EmbeddingSearchRequest searchRequest = EmbeddingSearchRequest.builder()
.queryEmbedding(queryEmbedding)
.maxResults(2)
.minScore(0.6) // 相似度阈值
.build();

EmbeddingSearchResult<TextSegment> searchResult = pgVectorEmbeddingStore.search(searchRequest);

System.out.println("【检索结果】：");
for (EmbeddingMatch<TextSegment> match : searchResult.matches()) {
System.out.println("相似度得分: " + match.score());
System.out.println("匹配内容: " + match.embedded().text());
System.out.println("metadata：" + match.embedded().metadata());
}
}
}