Redis的vectorStore.add(documents) 方法会自动完成两个步骤

不需要手动写 @Configuration 和 @Bean 来注入 EmbeddingModel 或 VectorStore —— 只要引入了正确的 Starter 并配置好 application.yml，Spring Boot 会自动为您完成这一切。

因为引入了spring-ai-alibaba-starter-dashscope，这是一个Starter的依赖，他会自动读取配置文件中的配置然后配置到EmbeddingModel 中，从而代码可以直接通过@AutoWired或者@Resource注入直接使用

vectorStore.add(documents) 方法会自动完成两个步骤：

1. 将文本内容（Document）转换为向量（embedding）
2. 将向量和原文一起存入 Redis

所以您只需要传入“原始文本”，不需要手动先调用 embeddingModel。

---

🔍 详细解析：vectorStore.add() 到底做了什么？

我们来一步步拆解：

vectorStore.add(documents);

这行代码的背后，Spring AI 实际上执行了以下流程：

[文本]  -->  [向量化]  -->  [存储]
          ↑
     embeddingModel

✅ 第一步：自动调用 EmbeddingModel 向量化

VectorStore 内部持有一个 EmbeddingModel 的引用（通过依赖注入），当您调用 .add() 时：

• 它会自动使用注入的 embeddingModel 对每个 Document 的内容进行向量化
• 生成对应的向量（浮点数数组）
• 不需要您手动调用 embeddingModel.call(...)

✅ 第二步：将“原文 + 向量”一起存入 Redis

存储的数据结构通常是这样的：

字段	值
content	i study LLM （原始文本）
embedding	[0.12, -0.45, 0.67, ..., 0.89] （向量）
id	自动生成的唯一 ID
metadata	可选元数据（如来源、时间等）

这样做的好处是：

• 检索时能拿到原始文本