Apache Cassandra 向量存储

本节将引导您设置 CassandraVectorStore 以存储文档嵌入并执行相似性搜索。

什么是 Apache Cassandra?

Apache Cassandra® 是一个真正的开源分布式数据库,以其线性扩展性、成熟的容错性和低延迟而闻名,是任务关键型事务数据的完美平台。

其向量相似性搜索 (VSS) 基于 JVector 库,可确保一流的性能和相关性。

在 Apache Cassandra 中进行向量搜索非常简单,例如

SELECT content FROM table ORDER BY content_vector ANN OF query_embedding;

更多相关文档可在此处阅读此处

这个 Spring AI 向量存储旨在用于全新的 RAG 应用,也能够适配到现有数据和表之上。

该存储也可用于现有数据库中的非 RAG 用例,例如语义搜索、地理位置邻近搜索等。

该存储将根据其配置自动创建或增强 schema。如果您不希望修改 schema,请使用 disallowSchemaChanges 配置该存储。

使用 spring-boot-autoconfigure 时,根据 Spring Boot 标准,disallowSchemaChanges 默认设置为 true,您必须在 application.properties 文件中设置 …​initialize-schema=true 来选择启用 schema 的创建/修改。

什么是 JVector?

JVector 是一个纯 Java 嵌入式向量搜索引擎。

它在其他 HNSW 向量相似性搜索实现中脱颖而出,原因在于其具备以下特性:

  • 算法快速。JVector 使用受 DiskANN 及相关研究启发的先进图算法,提供高召回率和低延迟。

  • 实现快速。JVector 使用 Panama SIMD API 加速索引构建和查询。

  • 内存高效。JVector 使用乘积量化压缩向量,使其在搜索期间能够驻留在内存中。

  • 磁盘感知。JVector 的磁盘布局设计旨在查询时执行最少必要的 IOPS。

  • 并发。索引构建可以线性扩展到至少 32 个线程。线程加倍,构建时间减半。

  • 增量。在构建索引的同时即可查询。添加向量后,可以立即在搜索结果中找到,没有延迟。

  • 易于嵌入。API 由在生产环境中使用它的人员设计,易于嵌入。

先决条件

  1. 一个用于计算文档嵌入的 EmbeddingModel 实例。这通常被配置为一个 Spring Bean。有多种选项可用:

    • Transformers Embedding - 在您的本地环境中计算嵌入。默认是通过 ONNX 和 all-MiniLM-L6-v2 Sentence Transformers。这开箱即用。

    • 如果您想使用 OpenAI 的 Embedding - 使用 OpenAI 的嵌入端点。您需要在 OpenAI 注册页面创建账户,并在 API Keys 页面生成 API 密钥令牌。

    • 还有更多选择,请参阅 Embeddings API 文档。

  2. 一个 Apache Cassandra 实例,版本 5.0-beta1 或更高

    1. 自行快速入门

    2. 对于托管服务,Astra DB 提供了不错的免费套餐。

依赖

Spring AI 自动配置、starter 模块的 artifact 名称发生了重大变化。请参阅升级说明获取更多信息。

对于依赖管理,我们建议使用 Spring AI BOM,具体说明请参阅依赖管理部分。

将这些依赖添加到您的项目

  • 仅使用 Cassandra Vector Store

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-cassandra-store</artifactId>
</dependency>
  • 或者,对于 RAG 应用所需的一切(使用默认 ONNX Embedding Model)

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

配置属性

您可以在 Spring Boot 配置中使用以下属性来定制 Apache Cassandra 向量存储。

属性 默认值

spring.ai.vectorstore.cassandra.keyspace

springframework

spring.ai.vectorstore.cassandra.table

ai_vector_store

spring.ai.vectorstore.cassandra.initialize-schema

false

spring.ai.vectorstore.cassandra.index-name

spring.ai.vectorstore.cassandra.content-column-name

content

spring.ai.vectorstore.cassandra.embedding-column-name

embedding

spring.ai.vectorstore.cassandra.fixed-thread-pool-executor-size

16

用法

基本用法

创建一个 CassandraVectorStore 实例作为 Spring Bean

@Bean
public VectorStore vectorStore(CqlSession session, EmbeddingModel embeddingModel) {
    return CassandraVectorStore.builder(embeddingModel)
        .session(session)
        .keyspace("my_keyspace")
        .table("my_vectors")
        .build();
}

一旦有了向量存储实例,您就可以添加文档并执行搜索

// Add documents
vectorStore.add(List.of(
    new Document("1", "content1", Map.of("key1", "value1")),
    new Document("2", "content2", Map.of("key2", "value2"))
));

// Search with filters
List<Document> results = vectorStore.similaritySearch(
    SearchRequest.query("search text")
        .withTopK(5)
        .withSimilarityThreshold(0.7f)
        .withFilterExpression("metadata.key1 == 'value1'")
);

高级配置

对于更复杂的用例,您可以在 Spring Bean 中配置更多设置

@Bean
public VectorStore vectorStore(CqlSession session, EmbeddingModel embeddingModel) {
    return CassandraVectorStore.builder(embeddingModel)
        .session(session)
        .keyspace("my_keyspace")
        .table("my_vectors")
        // Configure primary keys
        .partitionKeys(List.of(
            new SchemaColumn("id", DataTypes.TEXT),
            new SchemaColumn("category", DataTypes.TEXT)
        ))
        .clusteringKeys(List.of(
            new SchemaColumn("timestamp", DataTypes.TIMESTAMP)
        ))
        // Add metadata columns with optional indexing
        .addMetadataColumns(
            new SchemaColumn("category", DataTypes.TEXT, SchemaColumnTags.INDEXED),
            new SchemaColumn("score", DataTypes.DOUBLE)
        )
        // Customize column names
        .contentColumnName("text")
        .embeddingColumnName("vector")
        // Performance tuning
        .fixedThreadPoolExecutorSize(32)
        // Schema management
        .disallowSchemaChanges(false)
        // Custom batching strategy
        .batchingStrategy(new TokenCountBatchingStrategy())
        .build();
}

连接配置

有两种方法配置与 Cassandra 的连接

  • 使用注入的 CqlSession (推荐)

@Bean
public VectorStore vectorStore(CqlSession session, EmbeddingModel embeddingModel) {
    return CassandraVectorStore.builder(embeddingModel)
        .session(session)
        .keyspace("my_keyspace")
        .table("my_vectors")
        .build();
}
  • 直接在构建器中指定连接详情

@Bean
public VectorStore vectorStore(EmbeddingModel embeddingModel) {
    return CassandraVectorStore.builder(embeddingModel)
        .contactPoint(new InetSocketAddress("localhost", 9042))
        .localDatacenter("datacenter1")
        .keyspace("my_keyspace")
        .build();
}

元数据过滤

您可以利用通用的、可移植的元数据过滤器与 CassandraVectorStore 一起使用。元数据列要想能够被搜索,必须是主键或者经过 SAI 索引。要让非主键列被索引,请使用 SchemaColumnTags.INDEXED 配置元数据列。

例如,您可以使用文本表达式语言

vectorStore.similaritySearch(
    SearchRequest.builder().query("The World")
        .topK(5)
        .filterExpression("country in ['UK', 'NL'] && year >= 2020").build());

或通过编程方式使用表达式 DSL

Filter.Expression f = new FilterExpressionBuilder()
    .and(
        f.in("country", "UK", "NL"),
        f.gte("year", 2020)
    ).build();

vectorStore.similaritySearch(
    SearchRequest.builder().query("The World")
        .topK(5)
        .filterExpression(f).build());

可移植的过滤器表达式会自动转换为 CQL 查询

高级示例:基于维基百科数据集的向量存储

以下示例演示了如何在现有 schema 上使用该存储。这里我们使用来自 github.com/datastax-labs/colbert-wikipedia-data 项目的 schema,该项目提供了完整的维基百科数据集,并且已为您准备好向量化版本。

首先,在 Cassandra 数据库中创建 schema

wget https://s.apache.org/colbert-wikipedia-schema-cql -O colbert-wikipedia-schema.cql
cqlsh -f colbert-wikipedia-schema.cql

然后使用构建器模式配置存储

@Bean
public VectorStore vectorStore(CqlSession session, EmbeddingModel embeddingModel) {
    List<SchemaColumn> partitionColumns = List.of(
        new SchemaColumn("wiki", DataTypes.TEXT),
        new SchemaColumn("language", DataTypes.TEXT),
        new SchemaColumn("title", DataTypes.TEXT)
    );

    List<SchemaColumn> clusteringColumns = List.of(
        new SchemaColumn("chunk_no", DataTypes.INT),
        new SchemaColumn("bert_embedding_no", DataTypes.INT)
    );

    List<SchemaColumn> extraColumns = List.of(
        new SchemaColumn("revision", DataTypes.INT),
        new SchemaColumn("id", DataTypes.INT)
    );

    return CassandraVectorStore.builder()
        .session(session)
        .embeddingModel(embeddingModel)
        .keyspace("wikidata")
        .table("articles")
        .partitionKeys(partitionColumns)
        .clusteringKeys(clusteringColumns)
        .contentColumnName("body")
        .embeddingColumnName("all_minilm_l6_v2_embedding")
        .indexName("all_minilm_l6_v2_ann")
        .disallowSchemaChanges(true)
        .addMetadataColumns(extraColumns)
        .primaryKeyTranslator((List<Object> primaryKeys) -> {
            if (primaryKeys.isEmpty()) {
                return "test§¶0";
            }
            return String.format("%s§¶%s", primaryKeys.get(2), primaryKeys.get(3));
        })
        .documentIdTranslator((id) -> {
            String[] parts = id.split("§¶");
            String title = parts[0];
            int chunk_no = parts.length > 1 ? Integer.parseInt(parts[1]) : 0;
            return List.of("simplewiki", "en", title, chunk_no, 0);
        })
        .build();
}

@Bean
public EmbeddingModel embeddingModel() {
    // default is ONNX all-MiniLM-L6-v2 which is what we want
    return new TransformersEmbeddingModel();
}

加载完整的维基百科数据集

加载完整的维基百科数据集

  1. s.apache.org/simplewiki-sstable-tar 下载 simplewiki-sstable.tar(这将需要一段时间,文件大小为数十 GB)

  2. 加载数据

tar -xf simplewiki-sstable.tar -C ${CASSANDRA_DATA}/data/wikidata/articles-*/
nodetool import wikidata articles ${CASSANDRA_DATA}/data/wikidata/articles-*/
  • 如果此表中有现有数据,请在执行 tar 时检查 tarball 中的文件是否会覆盖现有的 sstables。

  • nodetool import 的替代方法是直接重启 Cassandra。

  • 如果索引出现任何故障,它们将自动重建。

访问原生客户端

Cassandra 向量存储实现通过 getNativeClient() 方法提供对底层原生 Cassandra 客户端 (CqlSession) 的访问

CassandraVectorStore vectorStore = context.getBean(CassandraVectorStore.class);
Optional<CqlSession> nativeClient = vectorStore.getNativeClient();

if (nativeClient.isPresent()) {
    CqlSession session = nativeClient.get();
    // Use the native client for Cassandra-specific operations
}

原生客户端使您能够访问通过 VectorStore 接口可能未暴露的 Cassandra 特有功能和操作。