## 01、痛点

我是老李，后端团队最近在做商品搜索。以前用户搜“冰箱”，条件查询按名称、分类、价格过滤，很丝滑。后来用户输入“适合小户型的静音冰箱”，like 和属性条件完全失效：没有“小户型”字段，没有“静音”标签，也没有精确型号。运营希望搜索能理解语义，而不是只做关键词命中。与此同时，团队已经用 Embedding 给商品描述生成了向量，但问题来了：现有 Spring Data JPA 体系里怎么存、怎么查、怎么和原来的租户隔离、上下架状态、权限过滤混在一起？数据库厂商开始宣布支持 Vector 类型，很多同学第一反应是：既然 MySQL / JPA 支持了，是不是可以直接替代向量数据库？我们先别急着下结论。

## 02、是什么

Spring Data JPA 覆盖 Vector Search，本质不是新出一个数据库，而是在数据访问层引入了向量字段类型映射和相似度查询方法。传统 JPA Query 解决的是“精确匹配”：tenant_id = ?、status = ?、price between ?。向量查询解决的是“语义相似”：给定一段文本或图片的 Embedding，找出最接近的若干行。二者不是一个替代关系，而是组合关系。

比如 Product 实体之前只有 id、name、category、price、tenantId、acl、status 等结构化字段。现在增加一个 description_embedding 向量字段，类型可能是 float[] 或数据库原生 vector。Spring Data 允许你声明类似 findTop10ByTenantIdAndStatusAndAclInAndDescriptionEmbeddingSimilarityOrderBy... 的方法，或者用原生 SQL 调用数据库的向量距离函数 vec_cosine_distance。这里的关键是：过滤条件走传统索引，相似度排序走向量计算，最终返回兼顾业务约束和语义相关性的结果。

Embedding 是模型对文本/图片输出的一组高维浮点数组，语义相近的对象在向量空间中距离更近。常见相似度有余弦相似度、内积、欧氏距离。Spring Data 通过方言把相似度函数翻译到具体数据库，比如 pgvector 的 <=>，MySQL 的 DISTANCE()，Redis 的 FT.SEARCH 等。

## 03、为什么

为什么关系型数据访问与 AI/Embedding 会产生交集？因为现实业务很少只做纯语义搜索。一个商品搜索请求通常包含：tenant_id=?、status='ON_SHELF'、acl IN (...)，同时还要按语义相似度排序。如果向量数据放在独立向量库，应用层需要先在某处取业务过滤后的候选集，再跑到向量库做相似度检索，或者拿向量结果回到业务库过滤，这会带来数据同步、事务一致性、网络开销和两套查询逻辑。

当 MySQL、PostgreSQL 或 Redis 开始支持向量数据类型和相似度函数时，最直接的好处是：同一张表里既可以做结构化过滤，也可以做向量排序，一次 SQL/命令完成混合查询，复用现有数据访问栈、事务和权限模型。Spring Data JPA 封装后，开发体验接近普通 Repository 方法。这就是为什么“未来常见模式可能是 tenant + ACL + status + vector similarity 的混合查询”。它既不是放弃传统条件查询，也不是把一切交给向量，而是新增一个查询维度。

## 04、架构

架构上，可以把混合查询拆成四条路径：

1. 写入路径：业务数据落库后，对商品描述异步或同步生成 Embedding，写入同一条记录或扩展表。
2. 过滤路径：tenant、ACL、status 继续走 B+ 树或普通索引，先圈定可见数据。
3. 召回路径：向量列使用向量索引或暴力扫描做相似度计算，返回 Top-K。
4. 排序路径：结合业务权重（销量、价格、距离）做最终排序。

Spring Data 位于应用层，负责把方法名或 @Query 翻译成底层 SQL/命令。它的价值是统一编程模型，而不是替代数据库执行引擎。数据库引擎的向量索引能力、Top-K 召回精度、过滤条件下的性能表现，决定了这套架构的上限。

一个常见的错误是：看到 JPA 方法能调用 vec_cosine_distance，就以为底层一定走了高效向量索引。实际上很多关系型数据库在混合过滤 + 向量排序时，可能退化为“先过滤出所有行，再对每行计算向量距离”，数据量一大就是灾难。专业向量数据库通常针对“过滤后向量检索”做了索引裁剪、预过滤/后过滤策略、标量索引与向量索引融合，而普通关系库仍可能停留在函数计算层面。

## 05、实战

以商品搜索为例，下面是我们的简化实现。

Product 表结构：
```
id BIGINT PRIMARY KEY,
tenant_id BIGINT,
name VARCHAR,
category VARCHAR,
price DECIMAL,
status VARCHAR,
acl VARCHAR,
description TEXT,
description_embedding VECTOR(768)
```

商品描述 Embedding 由模型生成，写入 description_embedding。我们保留 description 原文本用于展示和审计，向量用于语义检索。

Repository 接口中，传统条件查询仍然保留：
```
List<Product> findByTenantIdAndStatusAndCategory(...)
```
新增向量混合查询，用原生 SQL 显式声明距离排序：
```
@Query(nativeQuery = true, value = 
    SELECT * FROM product 
    WHERE tenant_id = :tenantId AND status = :status
    AND acl IN (:acls)
    ORDER BY vec_cosine_distance(description_embedding, :queryVector) LIMIT :topN)
List<Product> searchMixed(...);
```
vec_cosine_distance 根据数据库方言替换，例如 pgvector 使用 description_embedding <=> :queryVector。

实际测试时，我们用“适合小户型的静音冰箱”生成查询向量，带上 tenant_id = 1001、status = 'ON_SHELF'、acl IN ('public','vip')，数据库返回语义相近且当前租户可见、在架、有权限的商品。如果没有向量列，这个查询只能靠关键词命中，召回率很差。

从这个案例可以看清 Spring Data Vector Search 与传统 JPA Query 的关系：传统 JPA Query 负责“能不能看、能不能卖、属于谁”，向量查询负责“像不像用户想要的”。前者缩小范围，后者提供语义排序，二者不是二选一，而是同一个 Repository 里的组合拳。

## 06、洞见

为什么不能因为 MySQL 或 JPA 开始支持 Vector 就直接把它等同于成熟向量数据库？

第一，“支持向量类型和距离函数”不等于“成熟向量索引”。很多数据库的向量支持是从扫描计算开始的，甚至没有 HNSW、IVF 等近似最近邻索引。没有索引时，百万级向量全表扫描的延迟完全不可用。

第二，JPA 只是访问抽象，无法补齐底层索引、召回策略、分片和压缩能力。Spring Data 提供的相似度方法，底层可能仍走精确扫描，也可能走有损索引，对应用并不透明。你以为的 Top-K 可能不稳定，或者过滤后召回缺失。

第三，混合查询的性能陷阱。精确过滤 + 向量相似度排序，最容易出现“先过滤出几十万行，再逐行算距离”的退化。专业向量数据库会针对标量过滤做位图索引、倒排索引，再与向量索引融合，控制候选集规模。关系库目前主要擅长精确过滤，向量索引与标量索引混合执行计划还不够成熟。

第四，规模、索引、召回和过滤需求不同。如果向量数据只有几十万、请求量低，MySQL/pgvector 完全可行；如果向量数据上亿、QPS 很高、需要高召回率，专用向量库在生产环境更稳妥。成熟的向量数据库除了索引，还提供分片、副本、增量写入、压缩量化、监控和调优工具。

因此，向量检索确实正在成为普通数据访问的一种新查询维度，但数据库选型仍然取决于规模、索引、召回和过滤需求。JPA 的支持降低了开发门槛，却提高了对底层引擎的认知要求。

## 07、行动

我把几种常见存储的适用边界做了一个对比：

| 存储 | 适用场景 | 优势 | 注意点 |
|---|---|---|---|
| MySQL | 小规模向量、已有 MySQL 栈、向量只是辅助排序 | 无额外系统、事务一致、运维简单 | 向量索引较弱，过滤+相似度排序易退化 |
| pgvector (PostgreSQL) | 中等规模、强一致、复杂过滤与向量混合 | 原生扩展、支持 HNSW/IVFFlat、事务、SQL 混合查询 | 数据量特别大时索引构建/查询性能需测试，部署较专业库重 |
| Redis Vector | 低延迟在线召回、缓存/实时链路已有 Redis | 内存快、RediSearch 向量查询简单 | 内存成本高、持久化和大规模成本需评估 |
| 专用向量库 | 大规模高维、高吞吐、复杂召回/重排、独立运维 | HNSW/IVF 索引成熟、分片副本、标量过滤融合好 | 多一套系统、数据同步、一致性、运维成本 |

建议按四个维度评估：数据规模、索引需求、召回要求、过滤复杂度。如果只是给现有商品搜索加一个语义相似排序，数据量百万以内，pgvector 或 MySQL Vector 是很实际的起点；如果已经是 Redis 重度用户，用 Redis Vector 做在线召回也顺理成章；如果向量规模很快过亿，或需要精排、多路召回、高可用，建议直接上专用向量库。不要让 JPA 的便利掩盖底层引擎差异。

## 08、小结

Spring Data JPA 覆盖 Vector Search，标志着向量检索不再只是专用系统里的特殊能力，而是普通关系型数据访问的一个新查询维度。它让我们可以在同一个 Repository 中同时处理 tenant + ACL + status + vector similarity 这类混合查询，这对业务搜索、推荐、内容风控等场景非常实用。但我们必须清楚，JPA 提供的是访问抽象，不是向量数据库的替代品。MySQL、Redis、pgvector 和专业向量库各有边界，选型要基于规模、索引、召回和过滤需求，而不是看到了“支持 Vector”就迁移。

## 09、链接与概念说明

概念说明：
- Embedding：将文本、图片等非结构化数据映射成高维浮点向量，语义相近的对象距离更近。
- 余弦相似度：衡量两个向量方向相似程度，常见于文本 Embedding 检索。
- ANN（近似最近邻）：以轻微精度损失换取远优于暴力扫描的查询速度。
- HNSW：分层可导航小世界图，是当前主流的向量索引结构之一。
- IVFFlat：倒排文件索引，适合中等规模向量，需要预先聚类训练。
- pgvector：PostgreSQL 的开源向量扩展，提供向量类型和 HNSW/IVFFlat 索引。
- Redis Vector：Redis Stack 提供的向量查询能力，基于 RediSearch 实现。
- 专用向量库：如 Milvus、Qdrant、Weaviate 等，面向大规模向量检索提供索引、分片、过滤、召回等完整能力。

参考入口：
- Spring Data JPA 官方文档中与向量类型映射、相似度函数相关的章节。
- 各数据库对应向量能力文档：MySQL Vector、pgvector、Redis Vector。
- 生产选型前建议在目标数据量和 QPS 下做基准测试，重点关注过滤后向量检索的 P95 延迟与召回率。

我是老李，后端团队最近在做商品搜索。以前用户搜“冰箱”，条件查询按名称、分类、价格过滤，很丝滑。后来用户输入“适合小户型的静音冰箱”，like 和属性条件完全失效：没有“小户型”字段，没有“静音”标签，也没有精确型号。运营希望搜索能理解语义，而不是只做关键词命中。与此同时，团队已经用 Embedding 给商品描述生成了向量，但问题来了：现有 Spring Data JPA 体系里怎么存、怎么查、怎么和原来的租户隔离、上下架状态、权限过滤混在一起？数据库厂商开始宣布支持 Vector 类型，很多同学第一反应是：既然 MySQL / JPA 支持了，是不是可以直接替代向量数据库？我们先别急着下结论。

《Spring Boot + JPA 实战》第22招 JPA遇上向量检索

从商品搜索实战看 Spring Data Vector Search 与传统 JPA Query 的关系，厘清 MySQL、pgvector、Redis 与专用

架构师

数据库

后端

编程语言

SpringData JPA实现向量搜索，支持在商品查询中同时处理租户隔离、上下架状态、权限过滤与语义相似度排序。通过Embedding映射和原生SQL调用余弦距离函数，解决"适合小户型的静音冰箱"等模糊语义搜索。需区分JPA访问抽象与底层向量索引能力，选型需评估数据规模、过滤复杂度及召回要求。

关系型数据库

向量数据库

结构化数据

数据同步

代码解释

PostgreSQL

MySQL

Redis

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

《Spring Boot + JPA 实战》第22招 JPA遇上向量检索-腾讯云开发者社区-腾讯云

《Spring Boot + JPA 实战》第22招 JPA遇上向量检索

《Spring Boot + JPA 实战》第22招 JPA遇上向量检索

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐