Spring AI-46.PostgresML 嵌入模型集成指南

最新推荐文章于 2025-11-11 02:07:22 发布
最新推荐文章于 2025-11-11 02:07:22 发布
阅读量107 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 人工智能(AI) Java全套教程 Spring AI 文章标签： spring 人工智能 java Spring AI
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/youyong/article/details/148453530

Spring AI-46.PostgresML 嵌入模型集成指南

Spring AI 支持通过 PostgresML 在 PostgreSQL 数据库中生成文本嵌入向量，利用 Hugging Face 预训练模型在数据库内直接处理文本，适用于结合 PostgreSQL 的向量搜索和机器学习场景。以下是核心内容总结：

一、环境准备与依赖配置

  1. 启用 PostgresML 扩展

    • 在 PostgreSQL 数据库中安装 pgml 扩展：

      CREATE EXTENSION IF NOT EXISTS pgml;

    • 确保数据库用户具备创建扩展和表的权限。

  2. 添加依赖
    在项目中引入 PostgresML 支持：

    3. 


                

                
                
        

    


  


        

                

                  

                  

                  了解本专栏
                  
                  
                    
                  订阅专栏 解锁全文
                   
                  
                    
                    超级会员免费看
                  
                

            
            
            
        


    



                



	

		

			

				
					
5.2.4、【AI技术新纪元：Spring AI解码】PostgresML扩展

				
			

			

				

					宋志辉的博客
				

				

					03-20
					
					239
					
				

			

		

		

			
				
请参考依赖管理部分，将Spring AI BOM添加到您的构建文件中。通过使用距离度量比较数值向量的相似性，嵌入可用于查找相似的文本片段，或者可以作为其他机器学习模型的输入特征，因为大多数算法不能直接使用文本。为了帮助依赖管理，Spring AI提供了一个BOM（物料清单），以确保在整个项目中使用一致的Spring AI版本。所有以spring.ai.postgresml.embedding.options为前缀的属性可以在运行时通过向EmbeddingRequest调用添加特定于请求的运行时选项来覆盖。

			
		

	



                

            
              



	

		

			

				
					
Spring AI攻略：235个 Maven 组件分类解析 + 6大实战场景

				
			

			

				

					寒水馨 · 轻量级技术文档 · hanshuixin.org
				

				

					07-19
					
					318
					
				

			

		

		

			
				
本文深入解析了 Spring AI 框架的 235 个Maven组件的分类，涵盖核心功能、模型支持、向量存储、聊天记忆等多个方面，并结合六大实战场景展示其应用方式。内容聚焦于 Java 开发者如何利用 Spring AI 快速构建 AI 驱动的应用，如多轮对话机器人、语义搜索系统、个性化推荐、云端 AI 服务、本地问答系统及基于 AI Agent 的任务调度系统。文章通过模块分类表格和具体代码模块推荐，帮助开发者高效选择合适工具，是 Spring 生态中 AI 开发的硬核指南。

			
		

	



              


  
              

                


	

		

			

				
					
JDK17+SpringAi+ PostgreSQL+Vector实现简易对话及历史对话记录保存及 PDF文件 Embedding

				
			

			

				

					qq_21528951的博客
				

				

					07-04
					
					224
					
				

			

		

		

			
				
本文介绍了一个基于Spring AI的智能对话系统实现方案。系统整合了DeepSeek和智谱AI的API，主要功能包括：1）普通问答和带上下文记忆的RAG问答；2）PDF文档上传与向量化存储；3）会话历史记录管理。关键技术点包括：使用Redis实现对话记忆存储，PostgreSQL作为向量数据库，MyBatis-Plus持久化会话记录。系统通过分层架构设计，包含控制器层、服务层、数据访问层，实现了文档检索增强生成、多轮对话上下文保持等功能。

			
		

	





	

		

			

				
					
PostgresML聊天机器人开发：基于数据库的对话系统

				
			

			

				

					gitblog_00780的博客
				

				

					09-17
					
					430
					
				

			

		

		

			
				
你是否还在为构建对话系统时的**数据孤岛**和**性能瓶颈**而困扰？传统架构中，应用服务器、数据库和AI服务的分离导致数据传输延迟，而向量存储与关系数据的割裂又增加了系统复杂度。本文将展示如何使用PostgresML构建**基于数据库的端到端对话系统**，通过PostgreSQL的扩展能力将向量计算、文档处理和对话管理统一在数据库层，实现低延迟、高可用的智能聊天机器人。

读完本文你将掌握：
-...

			
		

	



		

			
		



	

		

			

				
					
spring-ai 1.0.0 学习（九）——jar包盘点

				
			

			

				

					hzp的专栏
				

				

					06-19
					
					1133
					
				

			

		

		

			
				
本文介绍了Spring AI相关的JAR包及其功能分类。通过引入spring-ai-bom依赖管理工具，可以简化版本管理。JAR包分为基础包和扩展包两类：基础包包括核心功能模块（如spring-ai-model、spring-ai-vector-store等），扩展包则按需引入（如各大厂商的LLM模型包、不同存储实现等）。文章详细列出了各组件的具体用途，为开发者按需选择依赖提供了参考指南。这种模块化设计让开发者能灵活组合所需功能。

			
		

	





	

		

			

				
					
Postgres ML 介绍

				
			

			

				

					gaohongfeng1的博客
				

				

					06-01
					
					784
					
				

			

		

		

			
				
A PostgresML deployment consists of multiple components working in concert to provide a complete Machine Learning platform:We provide a fully managed solution in our cloud, and document a self-hosted installation in the Developer Docs. 
By building Postgre

			
		

	





	

		

			

				
					
PostgresML:在数据库中实现机器学习的革命性方案

				
			

			

				

					2401_87458778的博客
				

				

					10-17
					
					1334
					
				

			

		

		

			
				
PostgresML是一个基于PostgreSQL数据库构建的完整机器学习平台。它的核心理念是将机器学习模型直接集成到数据库中,而不是将数据移动到模型所在的环境。这种"反向"的机器学习方法带来了许多实际的好处,彻底改变了我们对"数据库"概念的认知。PostgresML的主要特点包括:数据库内机器学习:它允许直接在PostgreSQL数据库内训练、部署和运行机器学习模型。这消除了在数据库和外部ML框架之间不断移动数据的需求,提高了效率并减少了每个步骤的延迟。

			
		

	





	

		

			

				
					
Spring AI PostgresML 1.0.0-M5 中文文档发布

				
			

			

				

					
				

			

		

		

			
				
Spring AI 是 Spring 团队推出的全新人工智能开发框架，旨在简化 Java 应用程序对大模型、向量数据库、嵌入式服务以及机器学习流水线的集成过程。而 PostgresML 则是一个基于 PostgreSQL 扩展实现的开源机器学习平台...

			
		

	





	

		

			

				
					
Spring AI探索

				
			

			

				

					qq_33271461的博客
				

				

					06-16
					
					2291
					
				

			

		

		

			
				
Spring AI API 涵盖了广泛的功能。每个主要功能在其专门的部分中都有详细介绍。本节提供了 Spring AI 聊天模型 API 接口和相关类的指南。嵌入模型 API 建立在通用Spring AI 模型 API之上，后者是 Spring AI 库的一部分。因此，EmbeddingModel 接口扩展了该Model接口，该接口提供了一组用于与 AI 模型交互的标准方法。和类扩展自和，分别用于封装嵌入模型的输入和输出。

			
		

	





	

		

			

				
					
MCP协议与Spring AI框架实战

				
			

			

				

					Java_fenxiang的博客
				

				

					08-13
					
					992
					
				

			

		

		

			
				
MCP，即Model Context Protocol，也就是模型上下文协议，是由Anthropic公司(Claude大模型的母公司)于2024年11月推出的一项开放协议。在当时，大模型与外部工具、数据源之间的交互接口缺乏统一标准，开发效率低下，数据孤岛问题严重，MCP协议正是为了解决这些痛点而诞生，旨在规范大模型(LLM)与外部工具、数据源之间的标准化交互接口。MCP协议官方文档提供了详细的规范和示例，帮助开发者理解并实现基于MCP的模型交互。

			
		

	





	

		

			

				
					
探索未来数据处理的新维度：PostgresML

				
			

			

				

					gitblog_00026的博客
				

				

					05-11
					
					509
					
				

			

		

		

			
				
在大数据和人工智能的交汇点，PostgresML是一个创新的解决方案，将机器学习的力量直接带入了 PostgreSQL 数据库的核心。这个强大的开源扩展允许用户通过 SQL 查询执行训练和推理任务，无需离开熟悉的数据库环境。现在是时候释放你的数据潜力，让 PostgresML 帮助你在数据分析和智能应用中实现更高效的工作流程。

## 简单集成，深度功能

PostgresML 的核心优势在于其与...

			
		

	





	

		

			

				
					
PostgresML - PostgreSQL的生成式AI扩展

				
			

			

				

					新缸中之脑
				

				

					05-12
					
					1952
					
				

			

		

		

			
				
摘要涉及创建文档的压缩版本，其中包含重要信息，同时减少其长度。不同的模型可以用于此任务，一些模型从原始文档中提取最相关的文本，而其他模型生成全新的文本，捕捉原始内容的本质。}'::JSONB,你可以通过将 min_length 和 max_length 作为参数传递给 SQL 查询来控制 summary_text 的长度。

			
		

	





	

		

			

				
					
PostgresML：通过 PostgreSQL 集成简化 AI 模型部署

				
			

			

				

					
				

				

					09-12
					
					607
					
				

			

		

		

			
				
此外，需要对已部署的模型进行持续监控、更新和版本控制，以适应不断变化的数据分发和业务需求，这带来了持续的挑战。然而，从模型开发到部署的过程带来了独特的挑战。PostgresML 是一个革命性的框架，它通过引入一套复杂的功能来扩展 PostgreSQL 的功能，这些功能旨在简化机器学习 （ML） 模型在数据库环境中的部署和执行。通过利用熟悉的 SQL 语法和数据库功能，开发人员和数据科学家可以有效地利用机器学习的强大功能，而无需专门的工具或外部服务，从而简化 ML 应用程序的开发和部署。

			
		

	





	

		

			

				
					
 革命性AutoML：PostgresML自动机器学习全解析

					
最新发布

				
			

			

				

					gitblog_00138的博客
				

				

					11-11
					
					911
					
				

			

		

		

			
				
还在为机器学习模型调参而头疼？还在为选择最佳算法而烦恼？PostgresML的AutoML功能让你一键搞定所有机器学习难题！

读完本文你将获得：
- PostgresML AutoML核心功能详解
- 实战案例与代码示例
- 超参数自动优化技巧
- 模型自动部署最佳实践

## 什么是PostgresML AutoML？

PostgresML AutoML是基于PostgreSQL扩展的自动机

			
		

	





	

		

			

				
					
机器学习笔记 PostgresML教程：使用SQL进行机器学习

				
			

			

				

					学以致用 知行合一
				

				

					05-14
					
					616
					
				

			

		

		

			
				
由于 PostgresML 本质上是一个数据库，因此您可以在任何支持 Postgres 的环境中（基本上在任何地方）与其进行交互。它引入了一种称为“数据库内”机器学习的新范式，允许您在 SQL 中执行许多 ML 任务，而无需在每个步骤中使用单独的工具。由于今天的数据库比机器学习模型大好多个数量级，所以PostgresML的思路是，如果我们将模型引入数据集不是会容易得多吗？不过天下没有免费的午餐，需要一路注册、安装该数据库，然后举个例子，可以使用 Kaggle 的Diamonds 数据集创建一个表。

			
		

	





	

		

			

				
					
PostgresML｜几乎蹭上了所有热点：向量数据库, AI, Serverless, Postgres

				
			

			

				

					Bytebase的博客
				

				

					05-22
					
					828
					
				

			

		

		

			
				
前几天看到一条新闻，PostgresML 融了 4.7M 美元种子轮🐣。这是凑上了可以蹭的几乎所有热点：Postgres，向量，数据库，Serverless，AI。

			
		

	





	

		

			

				
					
改进向量搜索-使用PostgresML和LlamaIndex重新排名

				
			

			

				

					大数据杂货铺的博客
				

				

					07-26
					
					540
					
				

			

		

		

			
				
但是，它对于重新排序我们数据集的子集非常有效，因为它擅长评估新的、未见过的数据，而无需大量用户交互数据进行微调。在这里，我们将检索器配置为返回排名前两个的文档，但这次，我们添加了一个重新排名参数以使用mixedbread-ai/mxbai-rerank-base-v1模型。这意味着我们的初始语义搜索将返回 100 个结果，然后由mixedbread-ai/mxbai-rerank-base-v1模型对这些结果进行重新排名，并且仅显示排名前两个的结果。设置您的帐户，并将上述示例与您自己的数据一起使用。

			
		

	





	

		

			

				
					
PostgresML 项目常见问题解决方案

				
			

			

				

					gitblog_00117的博客
				

				

					12-13
					
					591
					
				

			

		

		

			
				
**项目名称**: PostgresML  
**项目简介**: PostgresML 是一个强大的 Postgres 扩展，旨在将数据存储与机器学习推理无缝结合。通过在 PostgreSQL 数据库中直接运行机器学习和 AI 操作，PostgresML 消除了对单独系统和数据传输的需求，使用户能够在数据所在的位置执行 ML 操作。  
**主要编程语言**: 该项目主要使用 **Python**...

			
		

	





	

		

			

				
					
数据库秒变 AI 引擎！PostgresML + SpringAI 教程来了

				
			

			

				

					孤芳不自赏
				

				

					10-06
					
					938
					
				

			

		

		

			
				
在智能搜索和知识库构建中，向量模型是核心。相比调用外部 API，PostgresML 把 Embedding 直接塞进 PostgreSQL，天然支持存储与检索，性能更强。本文小米带你用 SpringAI + PostgresML，从配置到代码全流程实战，助你快速上手！

			
		

	





	

		

			

				
					
<dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-open-ai</artifactId>
            <version>1.1.0</version>
        </dependency>

				
			

			

				

					08-13
				

			

		

		

			
				
### Maven 依赖配置

`langchain4j-open-ai` 是 LangChain4j 提供的用于集成 OpenAI API 的模块。其最新版本为 1.1.0，提供了对 OpenAI 模型的封装和便捷调用方式。在 Maven 项目中，可以通过以下方式添加依赖：

```xml
<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-open-ai</artifactId>
    <version>1.1.0</version>
</dependency>
```

该依赖支持 OpenAI 的多种模型，包括 `gpt-3.5-turbo` 和 `gpt-4` 等，并提供对 API 密钥、模型名称、基础 URL 等参数的配置能力[^3]。

### 使用指南

在 Java 代码中，可以通过 `OpenAiChatModel` 类来调用 OpenAI 的聊天模型。例如：

```java
import dev.langchain4j.model.chat.OpenAiChatModel;
import dev.langchain4j.model.chat.ChatLanguageModel;

public class LangChain4jExample {
    public static void main(String[] args) {
        ChatLanguageModel model = OpenAiChatModel.builder()
                .apiKey("your-api-key")
                .modelName("gpt-3.5-turbo")
                .build();

        String response = model.chat("你好，GPT！");
        System.out.println(response);
    }
}
```

上述代码展示了如何构建 `OpenAiChatModel` 实例并调用其聊天功能。API 密钥是必需的，且模型名称可以指定为所需的 OpenAI 模型版本[^3]。

### 版本特性

LangChain4j 1.1.0 版本增强了对 OpenAI 模型的支持，包括对 `gpt-4o-mini` 等新模型的兼容性优化。同时，该版本提供了对请求和响应日志的记录功能，便于调试和监控：

```properties
langchain4j.open-ai.chat-model.log-requests=true
langchain4j.open-ai.chat-model.log-responses=true
```

这些配置项可以启用详细的日志输出，帮助开发者分析 API 请求和响应内容[^3]。

### Spring Boot 集成

在 Spring Boot 项目中，可以使用 `langchain4j-open-ai-spring-boot-starter` 来简化配置和集成。在 `pom.xml` 中添加以下依赖：

```xml
<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-open-ai-spring-boot-starter</artifactId>
    <version>1.1.0</version>
</dependency>
```

然后在 `application.properties` 中配置模型参数：

```properties
langchain4j.open-ai.chat-model.api-key=demo
langchain4j.open-ai.chat-model.model-name=gpt-4o-mini
langchain4j.open-ai.chat-model.base-url=http://langchain4j.dev/demo/openai/v1
langchain4j.open-ai.chat-model.log-requests=true
langchain4j.open-ai.chat-model.log-responses=true
```

通过 `@AutoWired` 注解可以注入 `OpenAiChatModel` 并进行调用：

```java
@Autowired
private OpenAiChatModel openAiChatModel;

@Test
public void testSpringBoot() {
    String answer = openAiChatModel.chat("你好");
    System.out.println(answer);
}
```

此方式简化了 OpenAI 模型的集成流程，提高了开发效率[^2]。

### 版本兼容性

LangChain4j 1.1.0 与 Spring Boot 2.x 和 3.x 均兼容，并支持 JDK 8 及以上版本。如果使用 `langchain4j-open-ai-spring-boot-starter`，则需确保 Spring Boot 版本与依赖兼容。此外，建议使用 OpenAI 官方提供的最新 API 版本以获得最佳兼容性和功能支持[^2]。

### 相关问题

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
程序员勇哥

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值