1. 项目概述当Spring AI遇上Embedding技术去年在重构一个电商平台的搜索模块时我第一次将Spring AI的Embedding能力引入生产环境。原本基于关键词匹配的搜索系统在接入语义理解能力后用户搜索适合办公室用的静音键盘时系统能准确识别出机械键盘-红轴这类商品转化率直接提升了37%。这种从字面匹配到语义理解的跨越正是Embedding技术的魔力所在。Spring AI作为Spring生态中的AI统一接口层其Embedding模块封装了多种向量化模型的操作规范。无论是OpenAI的text-embedding-ada-002还是本地部署的HuggingFace模型开发者只需通过统一的EmbeddingModel接口即可调用。这种设计特别适合需要快速验证AI场景的企业应用比如我们今天要探讨的语义搜索和商品推荐系统。2. 核心架构设计2.1 技术栈选型分析在我的技术方案中核心组件包括Spring AI Embedding负责文本向量化PGVectorPostgreSQL的向量扩展插件Spring Data JPA简化数据库操作Redis缓存高频查询的向量结果选择PGVector而非专用向量数据库如Milvus主要基于三点考虑现有系统已使用PostgreSQL减少运维复杂度商品特征向量维度通常在768-1536之间PGVector完全能胜任利用PostgreSQL的事务特性保证数据一致性// 典型配置示例 Configuration EnableJpaRepositories public class VectorConfig { Bean public EmbeddingModel embeddingModel() { return new OpenAiEmbeddingModel( new OpenAiApi(your_api_key), OpenAiEmbeddingOptions.builder() .withModel(text-embedding-3-small) .build() ); } Bean public VectorStore vectorStore(EmbeddingModel embeddingModel) { return new PgVectorStore( jdbcTemplate(), embeddingModel, PgVectorStore.PgDistanceType.COSINE ); } }2.2 向量化处理流程商品信息的向量化需要特殊处理特征字段合并将商品标题、品牌、关键属性拼接成待处理文本文本清洗移除停用词、统一规格单位如500g转0.5kg分块策略对长描述采用滑动窗口分块每块200字符重叠50字符-- PGVector表结构设计 CREATE TABLE product_embeddings ( product_id BIGINT PRIMARY KEY, embedding VECTOR(1536), metadata JSONB ); CREATE INDEX ON product_embeddings USING ivfflat (embedding vector_cosine_ops) WITH (lists 100);重要提示IVFFlat索引需要足够的数据量才能有效建议至少有1000条记录后再创建索引。对于冷启动阶段可以先使用全表扫描余弦相似度计算。3. 语义搜索实现细节3.1 查询处理管道搜索请求的处理流程如下查询扩展通过同义词库扩展原始查询如笔记本→笔记本电脑向量化生成查询语句的Embedding向量混合检索结合向量相似度和业务权重销量、评分等public ListProduct semanticSearch(String query, int topK) { // 生成查询向量 float[] queryVector embeddingModel.embed(query); // 构建混合查询 String sql SELECT p.*, (1 - (e.embedding ?)) * 0.7 p.popularity * 0.3 AS combined_score FROM products p JOIN product_embeddings e ON p.id e.product_id ORDER BY combined_score DESC LIMIT ? ; return jdbcTemplate.query( sql, new ProductRowMapper(), new PGvector(queryVector), topK ); }3.2 性能优化技巧预计算策略商品上架时同步生成向量每晚批量更新滞销商品的向量减轻实时计算压力缓存机制对热门查询的向量结果缓存5分钟使用Redis的Sorted Set存储临时排名结果降级方案当向量服务不可用时自动切换至ES关键词搜索对长尾查询启用异步向量计算4. 推荐系统增强方案4.1 用户兴趣建模通过用户行为日志构建动态兴趣向量# 伪代码用户兴趣向量计算 def update_user_vector(user_id): viewed_products get_recent_views(user_id) product_vectors [get_vector(p) for p in viewed_products] new_vector weighted_average(product_vectors, weights[0.4,0.3,0.2,0.1]) save_user_vector(user_id, new_vector)4.2 混合推荐策略结合多种推荐方式基于内容用商品向量找相似品协同过滤通过用户-商品矩阵发现关联实时信号当前会话中的点击行为// 混合推荐示例 public ListProduct hybridRecommend(User user, int topK) { // 获取基础向量 float[] userVector getUserVector(user.getId()); // 实时行为增强 for (Product p : user.getRecentClicks()) { userVector mergeVectors( userVector, getProductVector(p.getId()), 0.2f // 学习率 ); } return vectorStore.similaritySearch( EmbeddingRequest.builder() .withInput(userVector) .withFilter(category electronics) .withTopK(topK) .build() ); }5. 生产环境注意事项5.1 模型版本管理建立严格的模型变更流程新模型上线前保留旧模型并行运行通过A/B测试对比效果对关键指标设置监控告警如点击率下降5%触发回滚5.2 数据漂移处理我们曾遇到季节性商品导致推荐质量波动的问题最终解决方案包括每月重新训练领域适配模型动态调整时间衰减因子近期行为权重更高建立商品冷启动通道新商品人工打标5.3 典型问题排查相似度分数异常高但结果不准检查向量维度是否匹配常见于模型切换时验证文本预处理流程是否一致PGVector查询性能下降执行ANALYZE product_embeddings更新统计信息调整ivfflat的lists参数通常设为记录数/1000OOM问题限制批量向量化的并发数对大文本启用分片处理这套系统上线后某家电平台的搜索转化率从12%提升到19%推荐商品的GMV贡献增长了41%。最让我意外的是系统自动发现了露营灯和户外电源的强关联性这种跨类目洞察是传统规则系统难以实现的。