在AI應(yīng)用和知識(shí)庫(kù)項(xiàng)目里摸爬滾打了一段時(shí)間后我越來(lái)越確認(rèn)一個(gè)事情傳統(tǒng)的數(shù)據(jù)庫(kù)檢索方式在面對(duì)語(yǔ)義搜索和文檔智能問(wèn)答這類(lèi)需求時(shí)是真的不夠用。你光靠關(guān)鍵詞匹配和SQL的LIKE查詢(xún)永遠(yuǎn)解決不了用戶(hù)搜蘋(píng)果但文檔里寫(xiě)的是iPhone這種級(jí)別的語(yǔ)義問(wèn)題。于是我把目光投向了向量數(shù)據(jù)庫(kù)。之前網(wǎng)上搜資料90%的教程都是Python示例Java的完整實(shí)踐案例少得可憐而且很多Demo代碼根本跑不通。這篇就把我踩過(guò)坑、填過(guò)土之后的完整方案寫(xiě)出來(lái)講清楚Java怎么接向量數(shù)據(jù)庫(kù)、文檔怎么切分、向量怎么生成、檢索怎么實(shí)現(xiàn)以及一系列工程化細(xì)節(jié)。項(xiàng)目核心是解決文檔檢索與語(yǔ)義搜索這個(gè)場(chǎng)景適合正在搞RAG、智能客服、企業(yè)知識(shí)庫(kù)的后端Java開(kāi)發(fā)同學(xué)直接參考。1. 項(xiàng)目整體思路為什么Java后端需要一個(gè)向量層1.1 從關(guān)鍵詞匹配到語(yǔ)義檢索差的不是算法而是數(shù)據(jù)組織方式先講個(gè)背景。我之前在做一個(gè)企業(yè)合同知識(shí)庫(kù)倉(cāng)庫(kù)里有幾百份PDF和Word文檔。業(yè)務(wù)方的需求很樸素員工輸入去年和華為簽的采購(gòu)合同里違約金比例是多少系統(tǒng)要快速給出答案。用傳統(tǒng)的ES方案我只能做分詞和倒排索引。違約金比例這種詞如果合同原文寫(xiě)的是違約賠償金那ES的精確分詞基本就廢了搜出來(lái)一堆不相關(guān)的東西。要想讓系統(tǒng)懂語(yǔ)義核心思路是把文本變成高維向量然后在向量空間里計(jì)算距離和相似度。蘋(píng)果和iPhone這兩個(gè)詞的文本形式差了十萬(wàn)八千里但它們的語(yǔ)義向量在空間里距離很近。這個(gè)能力不是靠算法而是靠預(yù)訓(xùn)練的Embedding模型和海量語(yǔ)料訓(xùn)練得到的。向量數(shù)據(jù)庫(kù)干的事情就是把生成后的向量存起來(lái)并提供高效的近鄰檢索能力也就是ANNApproximate Nearest Neighbor。所以這個(gè)項(xiàng)目的架構(gòu)其實(shí)很清晰文檔進(jìn)來(lái)之后先做切割切出來(lái)的每一段文本都過(guò)一遍Embedding模型生成一個(gè)幾百維的Float數(shù)組然后連同原文和元數(shù)據(jù)一起寫(xiě)入向量數(shù)據(jù)庫(kù)。查詢(xún)的時(shí)候用戶(hù)的問(wèn)題同樣過(guò)一遍Embedding模型再拿這個(gè)查詢(xún)向量去庫(kù)里做相似度搜索取TopK結(jié)果返回。整個(gè)過(guò)程Java這邊全程參與不依賴(lài)任何Python微服務(wù)這也是這個(gè)項(xiàng)目最有價(jià)值的地方。1.2 技術(shù)棧選型與整體架構(gòu)這個(gè)項(xiàng)目我用了Spring Boot 3.x Java 17作為基礎(chǔ)后端框架向量數(shù)據(jù)庫(kù)選了Milvus向量化模型選用本地部署的ONNX格式中文Embedding模型。之所以不選在線API是因?yàn)槠髽I(yè)級(jí)知識(shí)庫(kù)對(duì)數(shù)據(jù)出域很敏感合同、醫(yī)療、客服對(duì)話這類(lèi)數(shù)據(jù)不適合直接提交給第三方API做詞向量轉(zhuǎn)換。本地化部署雖然要花一些時(shí)間配置環(huán)境但數(shù)據(jù)安全性可控而且調(diào)用延遲更低QPS起來(lái)了之后在線API的成本會(huì)很高本地模型更劃算。整體流程分兩條鏈路。寫(xiě)入鏈路解析文檔 - 清洗文本 - 文檔切分 - 生成向量 - 寫(xiě)入Milvus。查詢(xún)鏈路接收用戶(hù)問(wèn)題 - 生成查詢(xún)向量 - Milvus向量檢索 - 按元數(shù)據(jù)過(guò)濾 - 結(jié)果重排 - 返回給上層業(yè)務(wù)。這兩條鏈路在Java服務(wù)內(nèi)完全閉環(huán)Milvus只負(fù)責(zé)當(dāng)向量存儲(chǔ)和檢索引擎不承擔(dān)任何業(yè)務(wù)邏輯。2. 向量數(shù)據(jù)庫(kù)選型Java生態(tài)里最務(wù)實(shí)的幾個(gè)選項(xiàng)2.1 主流向量數(shù)據(jù)庫(kù)橫向?qū)Ρ葦?shù)據(jù)庫(kù)部署復(fù)雜度Java SDK成熟度混合檢索支持適用場(chǎng)景Milvus中依賴(lài)K8s或Docker官方Java SDK接口完整支持Meta過(guò)濾大規(guī)模向量檢索、RAG專(zhuān)用Elasticsearch中自帶集群能力原生Java客戶(hù)端完善全文檢索向量已有ES需要兼顧全文搜索Redis低官方Java客戶(hù)端很成熟較弱小規(guī)模原型驗(yàn)證、緩存場(chǎng)景PostgreSQL pgvector低JDBC即可一般SQL靈活已有PG業(yè)務(wù)需要統(tǒng)一存儲(chǔ)我最終選擇了Milvus主要原因有三點(diǎn)。第一它是純正的向量數(shù)據(jù)庫(kù)對(duì)ANN算法、內(nèi)存索引、分片策略的優(yōu)化非常深入單機(jī)集群模式下千萬(wàn)級(jí)向量檢索的延遲都能壓在100毫秒左右。第二它的Java SDK不是社區(qū)熱情產(chǎn)物而是官方維護(hù)的milvus-sdk-java接口設(shè)計(jì)思路和REST API差不多用起來(lái)比較順手。第三它支持標(biāo)量字段過(guò)濾我可以把合同ID、文檔分類(lèi)、上傳時(shí)間這些業(yè)務(wù)屬性存成標(biāo)量字段檢索時(shí)先過(guò)濾再搜大幅縮小向量搜索范圍實(shí)用性非常強(qiáng)。2.2 為什么沒(méi)選Elasticsearch和RedisES其實(shí)是很多團(tuán)隊(duì)的第一直覺(jué)畢竟大部分后端項(xiàng)目里ES已經(jīng)在了再?gòu)?fù)用豈不是省事。但我在對(duì)比測(cè)試中發(fā)現(xiàn)了問(wèn)題ES的向量檢索kNN search在數(shù)據(jù)量超過(guò)百萬(wàn)級(jí)之后性能曲線下降得很明顯而且ES的內(nèi)存存儲(chǔ)結(jié)構(gòu)不如Milvus這種為向量設(shè)計(jì)的系統(tǒng)高效。另外一個(gè)問(wèn)題是ES的向量能力在開(kāi)源版本中支持得不夠靈活一些高級(jí)參數(shù)如efConstruction、M需要配置深度調(diào)優(yōu)對(duì)普通業(yè)務(wù)開(kāi)發(fā)者來(lái)說(shuō)門(mén)檻偏高。當(dāng)然如果你的項(xiàng)目本身已經(jīng)重度使用ES做全文檢索而且數(shù)據(jù)量不大直接升級(jí)版本用ES的向量檢索能力也完全合理這屬于已有基礎(chǔ)設(shè)施優(yōu)先的策略。Redis做過(guò)一輪測(cè)試結(jié)論是僅適合Demo階段或幾百條數(shù)據(jù)的在線測(cè)試原因是它的向量模塊是基于內(nèi)存哈希結(jié)構(gòu)的簡(jiǎn)單實(shí)現(xiàn)沒(méi)有Milvus那樣完善的索引和分段存儲(chǔ)機(jī)制查詢(xún)延遲雖然低但召回率不穩(wěn)定。我在本地用一萬(wàn)條隨機(jī)向量測(cè)過(guò)Redis的搜索召回率在80%左右Milvus在90%以上差距還是很明顯的。3. 環(huán)境準(zhǔn)備Milvus部署與Java工程搭建3.1 Docker方式快速部署Milvus Standalone很多教程一上來(lái)就推薦Milvus集群模式需要部署etcd、Pulsar、MinIO等一大堆組件直接把新人嚇退。其實(shí)單機(jī)環(huán)境或者測(cè)試環(huán)境用Standalone模式就足夠了Docker Compose一條命令就能把Milvus跑起來(lái)。我本地開(kāi)發(fā)環(huán)境的docker-compose.yml關(guān)鍵部分是這樣寫(xiě)的version: 3.5 services: etcd: image: quay.io/coreos/etcd:v3.5.5 environment: - ETCD_AUTO_COMPACTION_MODErevision - ETCD_AUTO_COMPACTION_RETENTION1000 - ETCD_QUOTA_BACKEND_BYTES4294967296 - ETCD_SNAPSHOT_COUNT50000 command: etcd -advertise-client-urlshttp://127.0.0.1:2379 -listen-client-urlshttp://0.0.0.0:2379 minio: image: minio/minio:RELEASE.2023-03-20T20-16-18Z environment: MINIO_ACCESS_KEY: minioadmin MINIO_SECRET_KEY: minioadmin command: minio server /minio_data --console-address :9001 milvus: image: milvusdb/milvus:v2.3.4 command: [milvus, run, standalone] environment: ETCD_ENDPOINTS: etcd:2379 MINIO_ADDRESS: minio:9000 ports: - 19530:19530 - 9091:9091 depends_on: - etcd - minio跑起來(lái)之后Milvus默認(rèn)監(jiān)聽(tīng)19530端口這就是gRPC通信的入口。Java SDK連接的就是這個(gè)端口。這里我踩過(guò)一個(gè)大坑Docker Desktop的版本如果太老etcd和minio這兩個(gè)依賴(lài)容器的健康檢查會(huì)一直不通過(guò)導(dǎo)致Milvus啟動(dòng)后連不上。解決方式是先把Docker Desktop升級(jí)到最新版然后用docker compose up -d依次啟動(dòng)最后用docker logs milvus看日志確認(rèn)milvus started successfully再繼續(xù)開(kāi)發(fā)。3.2 Java工程引入Milvus SDK與連接工具類(lèi)Maven里引入SDK非常簡(jiǎn)單需要注意版本號(hào)要對(duì)應(yīng)你的Milvus服務(wù)端版本。我用的Milvus 2.3.4服務(wù)端對(duì)應(yīng)的Java SDK版本是2.3.x。過(guò)新或過(guò)舊的客戶(hù)端版本在gRPC協(xié)議對(duì)接時(shí)可能出現(xiàn)method not found或者屬性字段不兼容的問(wèn)題。dependency groupIdio.milvus/groupId artifactIdmilvus-sdk-java/artifactId version2.3.4/version /dependency連接Milvus這步網(wǎng)上很多老教程用的是MilvusServiceClient這個(gè)類(lèi)在2.3.x版本中還是主流。我封裝了一個(gè)Milvus配置類(lèi)把連接參數(shù)放到application.yml里這樣多環(huán)境切換比較省事Component public class MilvusClientFactory { private static MilvusServiceClient client; Value(${milvus.host:localhost}) private String host; Value(${milvus.port:19530}) private int port; PostConstruct public void init() { ConnectParam connectParam ConnectParam.newBuilder() .withHost(host) .withPort(port) .build(); client new MilvusServiceClient(connectParam); } public static MilvusServiceClient getClient() { return client; } }這里有個(gè)實(shí)際經(jīng)驗(yàn)值得說(shuō)一下MilvusServiceClient本身是線程安全的也就是說(shuō)我可以在Service層直接通過(guò)靜態(tài)方法獲取實(shí)例然后用同一個(gè)實(shí)例并發(fā)查詢(xún)不需要為每個(gè)請(qǐng)求新建連接。新建連接的開(kāi)銷(xiāo)很大每個(gè)連接底層都會(huì)創(chuàng)建gRPC Channel連接數(shù)一多Milvus服務(wù)端會(huì)報(bào)too many channels的錯(cuò)誤。4. 文檔預(yù)處理文本切分與向量生成4.1 文檔切分策略固定窗口還是語(yǔ)義邊界很多第一次做向量檢索的同學(xué)會(huì)忽略文檔切分直接把一整篇幾千字甚至幾萬(wàn)字的合同文檔丟給Embedding模型生成向量。這會(huì)導(dǎo)致兩個(gè)問(wèn)題一是模型對(duì)超長(zhǎng)文本的編碼能力有限超過(guò)512個(gè)token之后后面的內(nèi)容信息會(huì)被嚴(yán)重稀釋語(yǔ)義向量幾乎全是噪音二是檢索的粒度太粗用戶(hù)問(wèn)違約金的計(jì)算基數(shù)是多少返回的是一整篇合同向量后端根本不知道應(yīng)該拿哪一段去再加工和回答。所以切分是必須的這是所有RAG管道里最影響檢索質(zhì)量的步驟之一。我實(shí)踐下來(lái)中文場(chǎng)景最穩(wěn)妥的策略是分層切分先按語(yǔ)義結(jié)構(gòu)切出章節(jié)塊比如按二級(jí)標(biāo)題、按空行分出來(lái)的段落如果某個(gè)語(yǔ)義塊仍然超過(guò)設(shè)定的最大長(zhǎng)度再按固定窗口二次切分同時(shí)保留一定的重疊區(qū)域。固定窗口的大小設(shè)置要考慮Embedding模型的上下文長(zhǎng)度我用的是BGE-small-zh它的最大長(zhǎng)度是512個(gè)token中文場(chǎng)景下我通常把窗口設(shè)為200到300個(gè)字重疊區(qū)域設(shè)為50個(gè)字左右。過(guò)長(zhǎng)會(huì)導(dǎo)致語(yǔ)義信息截?cái)噙^(guò)短會(huì)導(dǎo)致塊與塊之間上下文斷裂。切分代碼我用Java實(shí)現(xiàn)了一個(gè)簡(jiǎn)單的DocumentSplitter核心邏輯是按\n\n先分段落再根據(jù)長(zhǎng)度決定是否二次切分public ListDocChunk split(String text, int maxLength, int overlap) { ListDocChunk chunks new ArrayList(); String[] sections text.split(\\n\\n); for (String section : sections) { section section.trim(); if (section.isEmpty()) continue; if (section.length() maxLength) { chunks.add(new DocChunk(section)); } else { int start 0; int end Math.min(start maxLength, section.length()); while (start section.length()) { String chunkText section.substring(start, end); chunks.add(new DocChunk(chunkText)); if (end section.length()) break; start Math.max(0, end - overlap); end Math.min(start maxLength, section.length()); } } } return chunks; }實(shí)際項(xiàng)目中文本清洗很重要常見(jiàn)要做的處理包括去掉PDF解析產(chǎn)生的多余換行符、把全角標(biāo)點(diǎn)統(tǒng)一成半角、把空白字符正則替換、識(shí)別并剔除頁(yè)眉頁(yè)腳。這些不做切出來(lái)的塊經(jīng)常是一半正文一半頁(yè)腳向量檢索效果會(huì)大打折扣。我個(gè)人曾經(jīng)因?yàn)槁┑繇?yè)眉清理導(dǎo)致檢索結(jié)果里高頻出現(xiàn)某個(gè)固定公司名一度以為模型出了問(wèn)題排查半天才意識(shí)到是頁(yè)眉污染了向量。4.2 Embedding模型選擇與Java端加載向量生成是整個(gè)鏈路中的核心計(jì)算環(huán)節(jié)。最開(kāi)始我想偷懶直接調(diào)云端API但考慮到數(shù)據(jù)合規(guī)和延遲最終采用本地部署ONNX模型。Java端做推理我選了ONNX Runtime它對(duì)Java的支持比較完善而且不需要額外開(kāi)啟Python環(huán)境的依賴(lài)。模型我用的是BGE-small-zh-v1.5它對(duì)中文語(yǔ)義檢索的效果在同等體積模型里表現(xiàn)很好輸出維度是512維。下載下來(lái)之后會(huì)得到一個(gè).onnx文件和一個(gè)vocab.txt詞表。加載模型和生成向量的核心代碼是這個(gè)樣子public class EmbeddingService { private OrtSession session; private OrtEnvironment env; private BertTokenizer tokenizer; public void loadModel(String modelPath) throws OrtException { env OrtEnvironment.getEnvironment(); OrtSession.SessionOptions options new OrtSession.SessionOptions(); options.setOptimizationLevel(OrtSession.SessionOptions.OptLevel.ALL_OPT); session env.createSession(modelPath, options); tokenizer new BertTokenizer(vocab.txt); } public float[] embed(String text) throws OrtException { ListString tokens tokenizer.tokenize(text); // 對(duì)BGE模型需要添加 [CLS] 和 [SEP] 標(biāo)記 long[] inputIds new long[tokens.size()]; long[] attentionMask new long[tokens.size()]; // 填充inputIds... OnnxTensor inputIdsTensor OnnxTensor.createTensor(env, inputIds, new long[]{1, tokens.size()}); OnnxTensor attentionMaskTensor OnnxTensor.createTensor(env, attentionMask, new long[]{1, tokens.size()}); MapString, OnnxTensor inputs new HashMap(); inputs.put(input_ids, inputIdsTensor); inputs.put(attention_mask, attentionMaskTensor); OrtSession.Result results session.run(inputs); // 獲取last_hidden_state取[CLS]位置的向量 } }這段代碼只是核心邏輯的示意實(shí)際用的時(shí)候有很多細(xì)節(jié)尤其是分詞和Tensor的shape轉(zhuǎn)換。但我要強(qiáng)調(diào)一個(gè)更關(guān)鍵的坑BGE系列模型在檢索場(chǎng)景下必須添加指令前綴中文對(duì)應(yīng)的前綴是為這個(gè)句子生成表示以用于檢索相關(guān)文章查詢(xún)側(cè)和文檔側(cè)都要加上否則檢索效果會(huì)退化得非常明顯。我一開(kāi)始沒(méi)加前綴測(cè)試的時(shí)候Top5的命中率只有30%加了之后直接到85%以上差距非?？鋸?。如果你不想在Java里折騰ONNX Runtime的tokenizer也可以用另一種務(wù)實(shí)方案單獨(dú)寫(xiě)一個(gè)Python小服務(wù)部署Embedding模型Java通過(guò)gRPC或HTTP調(diào)用。但這樣架構(gòu)上多了一個(gè)服務(wù)部署復(fù)雜度上升而且Python服務(wù)的守護(hù)、重啟、版本管理都成了新的問(wèn)題。我后來(lái)還是走回了Java直接加載ONNX模型的路線雖然技術(shù)棧稍微硬核一點(diǎn)但一勞永逸部署就一套Java服務(wù)。5. 核心實(shí)現(xiàn)Collection定義、數(shù)據(jù)寫(xiě)入與語(yǔ)義檢索5.1 Milvus集合定義與文檔寫(xiě)入鏈路Milvus里的Collection可以理解成關(guān)系型數(shù)據(jù)庫(kù)里的表字段定義好了之后寫(xiě)入向量就必須嚴(yán)格按照字段來(lái)。我的集合設(shè)計(jì)是這樣的字段名類(lèi)型說(shuō)明idInt64自增主鍵docIdVarChar原始文檔的唯一標(biāo)識(shí)contentVarChar當(dāng)前chunk的純文本內(nèi)容categoryVarChar文檔分類(lèi)用于標(biāo)量過(guò)濾embeddingFloatVector(512)語(yǔ)義向量創(chuàng)建Collection代碼如下public void createCollection(String collectionName) { FieldType idField FieldType.newBuilder() .withName(id).withDataType(DataType.Int64) .withPrimaryKey(true).withAutoID(true).build(); FieldType docIdField FieldType.newBuilder() .withName(docId).withDataType(DataType.VarChar).withMaxLength(256).build(); FieldType contentField FieldType.newBuilder() .withName(content).withDataType(DataType.VarChar).withMaxLength(65535).build(); FieldType categoryField FieldType.newBuilder() .withName(category).withDataType(DataType.VarChar).withMaxLength(128).build(); FieldType embeddingField FieldType.newBuilder() .withName(embedding).withDataType(DataType.FloatVector).withDimension(512).build(); CreateCollectionParam createParam CreateCollectionParam.newBuilder() .withCollectionName(collectionName) .withDescription(知識(shí)庫(kù)文檔向量集合) .addFieldType(idField) .addFieldType(docIdField) .addFieldType(contentField) .addFieldType(categoryField) .addFieldType(embeddingField) .build(); milvusClient.createCollection(createParam); }字段維度這個(gè)細(xì)節(jié)特別容易出錯(cuò)模型的輸出維度、創(chuàng)建Collection時(shí)指定的維度、以及實(shí)際寫(xiě)入向量的長(zhǎng)度三者必須完全一致。我在項(xiàng)目里遇到過(guò)一把情況是模型輸出的實(shí)際維度是512但我創(chuàng)建Collection時(shí)誤寫(xiě)成了768插入的時(shí)候報(bào)float vector dim check failed排查了快一個(gè)小時(shí)才意識(shí)到是字段定義寫(xiě)錯(cuò)了。建議你在代碼里把維度定義成常量不要散落在各處。寫(xiě)入鏈路我建議用批量插入Milvus對(duì)大批量寫(xiě)入的吞吐性能遠(yuǎn)好于逐條插入。我封裝好的批量寫(xiě)入邏輯是把一組文檔chunk的向量和元數(shù)據(jù)都組裝好一次性提交public void upsertChunks(ListDocChunk chunks, String docId, String category) { ListListFloat vectors new ArrayList(); ListString contents new ArrayList(); ListString docIds new ArrayList(); ListString categories new ArrayList(); for (DocChunk chunk : chunks) { float[] vector embeddingService.embed(chunk.getText()); vectors.add(toFloatList(vector)); contents.add(chunk.getText()); docIds.add(docId); categories.add(category); } InsertParam insertParam InsertParam.newBuilder() .withCollectionName(COLLECTION_NAME) .withFields(Map.of( docId, docIds, content, contents, category, categories, embedding, vectors )) .build(); RMutationResult response milvusClient.insert(insertParam); if (response.getStatus() ! R.Status.Success.getCode()) { throw new RuntimeException(Milvus insert failed: response.getMessage()); } }這里面有個(gè)性能相關(guān)的經(jīng)驗(yàn)批量插入時(shí)一次插多少個(gè)合適我的建議是500到1000條chunk為一批太少會(huì)頻繁觸發(fā)網(wǎng)絡(luò)往返和Milvus內(nèi)部的數(shù)據(jù)落盤(pán)太多則容易導(dǎo)致內(nèi)存峰值和請(qǐng)求超時(shí)。我實(shí)際測(cè)過(guò)1000條512維向量單次插入耗時(shí)大概200毫秒左右吞吐足夠了。5.2 語(yǔ)義檢索API與混合檢索方案寫(xiě)入完成之后查詢(xún)才是真正見(jiàn)真章的地方。查詢(xún)側(cè)處理流程沒(méi)那么復(fù)雜核心就是把用戶(hù)輸入的問(wèn)題用同一個(gè)Embedding模型轉(zhuǎn)成向量然后調(diào)用Milvus的search接口搜TopK但有幾個(gè)容易被忽略的工程細(xì)節(jié)要做好。我實(shí)現(xiàn)了一個(gè)searchSimilarDocs方法支持按分類(lèi)過(guò)濾和TopK配置public ListSearchResult searchSimilarDocs(String query, String category, int topK) { float[] queryVector embeddingService.embed(query); SearchParam searchParam SearchParam.newBuilder() .withCollectionName(COLLECTION_NAME) .withVector(queryVector) .withTopK(topK) .withOutputFields(List.of(docId, content, category)) .build(); if (category ! null !category.isEmpty()) { searchParam.getSearchParams().put(category, category); // Milvus支持在搜索時(shí)用過(guò)濾表達(dá)式例如 category 合同 searchParam.setExpr(category \ category \); } RSearchResults response milvusClient.search(searchParam); SearchResults data response.getData(); ListSearchResult results new ArrayList(); for (SearchResults.SearchResult hit : data.getResults()) { SearchResult sr new SearchResult(); sr.setScore(hit.getScore()); sr.setContent((String) hit.getFieldData(content)); sr.setDocId((String) hit.getFieldData(docId)); results.add(sr); } // 按分?jǐn)?shù)排序并返回 results.sort((a, b) - Float.compare(b.getScore(), a.getScore())); return results; }這里有幾個(gè)要點(diǎn)。第一個(gè)是相似度度量的選擇BGE模型推薦用CosineMilvus創(chuàng)建Collection和索引時(shí)都要設(shè)置成MetricType.COSINE這樣才能保證檢索分?jǐn)?shù)語(yǔ)義正確。第二個(gè)是過(guò)濾表達(dá)式如果業(yè)務(wù)上允許按分類(lèi)過(guò)濾一定要先過(guò)濾再檢索不要拿全量向量撞一次再在業(yè)務(wù)層過(guò)濾那樣又慢又浪費(fèi)算力。第三個(gè)是搜索結(jié)果的排序Milvus返回的結(jié)果本身是有序的但我在代碼里還是做了一次排序兜底保證邏輯清晰。另外如果你要做的不是單純的向量檢索而是全文語(yǔ)義混合檢索那Milvus也支持在同一個(gè)Collection上做標(biāo)量過(guò)濾和向量搜索的組合。但如果你想同時(shí)做BM25關(guān)鍵詞召回和向量召回那需要自己寫(xiě)一部分邏輯把ES的BM25分?jǐn)?shù)和Milvus的向量分?jǐn)?shù)做加權(quán)融合。我在項(xiàng)目中做過(guò)的方案是ES做關(guān)鍵詞召回Milvus做向量召回兩條結(jié)果按rank fusion算法合并這個(gè)效果在長(zhǎng)尾query上會(huì)明顯好于單一檢索方式。不過(guò)為了控制篇幅混合檢索的細(xì)節(jié)這次不展開(kāi)講后面單獨(dú)開(kāi)一篇來(lái)寫(xiě)。6. 上線之后踩過(guò)的坑索引、性能與工程化細(xì)節(jié)6.1 忘記建索引導(dǎo)致的百萬(wàn)級(jí)數(shù)據(jù)全表掃描這是我在Milvus上踩過(guò)最疼的坑。一開(kāi)始我只創(chuàng)建了Collection并寫(xiě)入數(shù)據(jù)沒(méi)有單獨(dú)建索引結(jié)果查詢(xún)速度一開(kāi)始還行數(shù)據(jù)量到幾十萬(wàn)之后單條查詢(xún)耗時(shí)直接飆到3秒以上。Milvus如果不對(duì)向量字段建索引搜索就會(huì)退化成暴力掃描本質(zhì)上就是全量計(jì)算相似度數(shù)據(jù)量越大越慢。后來(lái)我把索引改成HNSW建索引的代碼如下public void createIndex(String collectionName) { CreateIndexParam indexParam CreateIndexParam.newBuilder() .withCollectionName(collectionName) .withFieldName(embedding) .withIndexType(IndexType.HNSW) .withMetricType(MetricType.COSINE) .withExtraParam({\M\: 16, \efConstruction\: 200}) .build(); RRpcStatus response milvusClient.createIndex(indexParam); }HNSW索引的兩個(gè)核心參數(shù)是M和efConstruction。M代表每個(gè)節(jié)點(diǎn)的最大連接數(shù)M越大表示圖越密集召回率越高但內(nèi)存和索引構(gòu)建時(shí)間也會(huì)增加一般取16或32。efConstruction是構(gòu)建時(shí)的動(dòng)態(tài)列表長(zhǎng)度越大索引質(zhì)量越高但構(gòu)建越慢200是一個(gè)比較平衡的選擇。查詢(xún)時(shí)還有一個(gè)ef參數(shù)我會(huì)在SearchParam里單獨(dú)配置它控制查詢(xún)時(shí)的搜索范圍越大召回越高但延遲越高。我的建議是召回優(yōu)先場(chǎng)景ef設(shè)64或128延遲敏感場(chǎng)景設(shè)32。關(guān)于建索引還有一個(gè)坑如果你先寫(xiě)入數(shù)據(jù)再建索引當(dāng)數(shù)據(jù)量很大的時(shí)候建索引過(guò)程非常耗內(nèi)存和CPU生產(chǎn)環(huán)境最好在Collection創(chuàng)建好之后就立即建索引然后再灌數(shù)據(jù)。Milvus是支持在寫(xiě)入過(guò)程中增量構(gòu)建索引的但如果先灌數(shù)據(jù)再觸發(fā)建索引遇到大數(shù)據(jù)量會(huì)產(chǎn)生明顯的IO抖動(dòng)。6.2 Java工程化里的數(shù)據(jù)一致性、并發(fā)與超時(shí)問(wèn)題在實(shí)際接入過(guò)程中數(shù)據(jù)處理鏈路長(zhǎng)不像單表CRUD那么簡(jiǎn)單有幾點(diǎn)工程化細(xì)節(jié)值得單獨(dú)記一筆。首先是寫(xiě)入一致性的保障。我的場(chǎng)景是從消息隊(duì)列里消費(fèi)到文檔后先解析、切分、向量化再寫(xiě)入Milvus。如果向量化或?qū)懭脒^(guò)程中服務(wù)重啟了那這條文檔數(shù)據(jù)就丟了。為了避免這個(gè)問(wèn)題我加了一個(gè)文檔狀態(tài)表用MySQL記錄每個(gè)文檔的切分?jǐn)?shù)量、向量化狀態(tài)和寫(xiě)入狀態(tài)。流程是接收文檔 - 創(chuàng)建狀態(tài)記錄PENDING - 切分向量化 - 寫(xiě)Milvus - 更新?tīng)顟B(tài)為SUCCESS。下一次啟動(dòng)時(shí)掃描狀態(tài)為PENDING的文檔重新處理一遍這樣既保證了最終一致性又不會(huì)重復(fù)寫(xiě)入大量數(shù)據(jù)。其次是并發(fā)問(wèn)題。Java這邊用了線程池并發(fā)處理文檔切分和向量化但在調(diào)用ONNX模型做推理時(shí)OrtSession不是線程安全的并發(fā)推理需要做同步或者用線程局部變量。我的土辦法是每線程一個(gè)Session實(shí)例這樣既避免了鎖競(jìng)爭(zhēng)又充分利用了多核CPU。MilvusClient倒是線程安全的可以直接并發(fā)調(diào)用但要注意控制并發(fā)度我壓測(cè)下來(lái)8到16個(gè)并發(fā)寫(xiě)入或查詢(xún)線程都比較穩(wěn)定再高容易觸發(fā)Milvus端的連接池瓶頸。最后是超時(shí)和重試。Milvus的網(wǎng)絡(luò)交互是gRPC超時(shí)時(shí)間默認(rèn)比較長(zhǎng)但業(yè)務(wù)接口不能讓用戶(hù)等太久。我給檢索接口設(shè)置了一個(gè)超時(shí)器超過(guò)2秒就暫時(shí)返回服務(wù)繁忙或走降級(jí)策略避免把連接池拖死。同時(shí)每次寫(xiě)入操作都加了失敗重試邏輯重試三次間隔指數(shù)退避。這里我踩過(guò)的一個(gè)小坑是Milvus的insert操作不是冪等的如果客戶(hù)端寫(xiě)超時(shí)后重試服務(wù)端可能已經(jīng)寫(xiě)入成功導(dǎo)致同一條chunk插了兩遍。解決方法是插入前生成一個(gè)業(yè)務(wù)側(cè)唯一ID寫(xiě)入時(shí)用這個(gè)ID作為主鍵靠autoID就不行要自己指定ID這樣重復(fù)插入就能被主鍵沖突擋住。6.3 檢索效果調(diào)優(yōu)從糟糕結(jié)果到可用狀態(tài)項(xiàng)目上線之后我調(diào)了一段時(shí)間的檢索效果。要知道向量檢索不是接完就完事的效果好壞受切分粒度、向量模型、查詢(xún)側(cè)文本處理、TopK參數(shù)等多重因素影響。這里把幾個(gè)性?xún)r(jià)比最高的優(yōu)化手段按優(yōu)先級(jí)列一下優(yōu)化項(xiàng)具體操作效果提升切分窗口從500字降到200到300字中檢索粒度更精準(zhǔn)添加指令前綴BGE模型查詢(xún)和文檔側(cè)都加前綴極大命中率翻倍元數(shù)據(jù)過(guò)濾檢索時(shí)優(yōu)先按category過(guò)濾高縮小搜索范圍結(jié)果重排序Top10召回后按原文輕量rerank高最后一條內(nèi)容質(zhì)量決定用戶(hù)體驗(yàn)去掉停用詞查詢(xún)文本清理的、了、呢小但穩(wěn)定重排序這步我很推薦做。最簡(jiǎn)單的方式是Milvus先招回Top20然后把這20條chunk的文本和用戶(hù)問(wèn)題再做一次余弦相似度重算取更精確的Top5返回給上游做答案生成。因?yàn)镸ilvus的ANN搜索本身是近似的Top20的精度可能不如Top5但重排序能把這部分誤差糾回來(lái)。我實(shí)際體驗(yàn)下來(lái)重排序后的結(jié)果比直接Top5的滿意度要高不少而且實(shí)現(xiàn)成本很低幾十行代碼的事。有個(gè)建議是把重排序邏輯和Milvus搜索解耦獨(dú)立成一個(gè)RerankService方便后續(xù)升級(jí)成CrossEncoder模型而不是每次都做余弦重算。如果你有精力做CrossEncoder的重排序會(huì)更專(zhuān)業(yè)模型效果相比普通余弦相似度有明顯代差。6.4 快速排錯(cuò)速查表最后把這段時(shí)間遇到的典型問(wèn)題整理成一個(gè)速查表方便大家少走彎路現(xiàn)象大概率原因解決方式milvus connect failDocker依賴(lài)容器etcd/minio沒(méi)起用docker compose up -d全部拉起確認(rèn)健康狀態(tài)創(chuàng)建Collection報(bào)維度錯(cuò)誤模型輸出維度與Collection定義不一致打印模型輸出shape與字段dimension對(duì)齊查詢(xún)結(jié)果為空沒(méi)有寫(xiě)入數(shù)據(jù)或expr過(guò)濾條件太嚴(yán)格先去掉過(guò)濾條件測(cè)試再用collection stats驗(yàn)證數(shù)據(jù)量查詢(xún)速度突然變慢向量字段沒(méi)建索引創(chuàng)建HNSW或IVF索引等待索引就緒插入時(shí)返回主鍵沖突自增ID被關(guān)閉且業(yè)務(wù)側(cè)指定了重復(fù)ID檢查ID生成邏輯或改用autoIDJava進(jìn)程內(nèi)存溢出批量插入數(shù)據(jù)量過(guò)大每次插入控制在1000條以?xún)?nèi)及時(shí)釋放list結(jié)果語(yǔ)義相關(guān)性差沒(méi)加BGE指令前綴或切分窗口過(guò)大按上文添加前綴縮短切分窗口還有一個(gè)小細(xì)節(jié)Milvus的collection如果刪除重建之前的數(shù)據(jù)就徹底沒(méi)了所以生產(chǎn)環(huán)境一定不要在生產(chǎn)connection上隨便執(zhí)行dropCollection。我在開(kāi)發(fā)環(huán)境就手滑過(guò)一次結(jié)果整個(gè)知識(shí)庫(kù)的向量數(shù)據(jù)全部清空重新跑了一遍全量入庫(kù)流程白白浪費(fèi)了一個(gè)下午。結(jié)尾分享這套Java接向量數(shù)據(jù)庫(kù)的方案已經(jīng)在我的知識(shí)庫(kù)項(xiàng)目里穩(wěn)定跑了兩個(gè)多月文檔入庫(kù)量累計(jì)超過(guò)20萬(wàn)條chunk單次查詢(xún)平均耗時(shí)120毫秒左右數(shù)據(jù)安全性也因?yàn)槿镜鼗Ｐ投玫搅吮Ｕ?。我個(gè)人實(shí)操中的體會(huì)是向量數(shù)據(jù)庫(kù)本身不難接難的是把文檔怎么切、向量怎么生成、檢索怎么調(diào)優(yōu)這套鏈路想明白。如果你也在做類(lèi)似項(xiàng)目建議先拿一個(gè)小數(shù)據(jù)集從切分和模型的前綴效果開(kāi)始做起把每一步的結(jié)果都打印出來(lái)看一眼不要等到全鏈路完成再一起調(diào)試那是災(zāi)難。最后再分享一個(gè)小技巧每次修改切分策略或模型后別急著全量更新索引先選一個(gè)真實(shí)用戶(hù)查詢(xún)用新方案跑一遍對(duì)比一下返回的Top5結(jié)果效率最高。