## 案例1：语义搜索系统

### 业务需求
– 实现基于语义的文本搜索
– 支持自然语言查询
– 提供相关度排序
– 处理大量文档

### 技术栈
– 数据库：Oracle 26ai
– AI模型：文本嵌入模型
– 前端：React.js
– 后端：Spring Boot

### 实施步骤
1. 设计数据库结构：创建文档表和向量列
2. 生成文本嵌入：使用AI模型生成文本嵌入
3. 存储向量数据：将向量数据存储到数据库
4. 创建向量索引：创建HNSW索引
5. 开发搜索API：开发语义搜索API
6. 部署系统：部署到生产环境

### 数据库设计
SQL> CREATE TABLE documents (
document_id NUMBER PRIMARY KEY,
title VARCHAR2(255),
content CLOB,
embedding VECTOR(1024),
created_date DATE
);

SQL> CREATE SEQUENCE documents_seq START WITH 1 INCREMENT BY 1;

SQL> CREATE VECTOR INDEX documents_embedding_idx ON documents(embedding)
INDEXTYPE IS VECTOR_INDEXTYPE
PARAMETERS (‘index_type=HNSW, distance=COSINE, m=16, ef_construction=200’);

### 生成文本嵌入
SQL> DECLARE
v_title VARCHAR2(255);
v_content CLOB;
v_embedding VECTOR(1024);
BEGIN
FOR doc IN (SELECT document_id, title, content FROM documents WHERE embedding IS NULL)
LOOP
— 调用AI模型生成嵌入
v_embedding := DBMS_AI.GENERATE_EMBEDDING(doc.title || ‘ ‘ || doc.content, ‘text-embedding-ada-002’);

— 更新向量数据
UPDATE documents SET embedding = v_embedding WHERE document_id = doc.document_id;
END LOOP;
COMMIT;
END;
/

### 开发搜索API
@RestController
@RequestMapping(“/api/search”)
public class SearchController {
@Autowired
private JdbcTemplate jdbcTemplate;

@GetMapping
public List search(@RequestParam String query) {
// 生成查询向量
List queryEmbedding = generateEmbedding(query);

// 执行向量查询
String sql = “SELECT document_id, title, content, VECTOR_DISTANCE(embedding, VECTOR(?), ‘COSINE’) AS similarity ” +
“FROM documents ORDER BY similarity DESC FETCH FIRST 10 ROWS ONLY”;

return jdbcTemplate.query(sql, new Object[]{queryEmbedding}, (rs, rowNum) -> {
Document document = new Document();
document.setDocumentId(rs.getLong(1));
document.setTitle(rs.getString(2));
document.setContent(rs.getString(3));
document.setSimilarity(rs.getDouble(4));
return document;
});
}

private List generateEmbedding(String text) {
// 调用AI模型生成嵌入
// 实现细节省略
return new ArrayList<>();
}
}

## 案例2：图像检索系统

### 业务需求
– 实现基于内容的图像检索
– 支持相似图像搜索
– 处理大量图像
– 提供快速响应

### 技术栈
– 数据库：Oracle 26ai
– AI模型：图像嵌入模型
– 前端：Vue.js
– 后端：Node.js + Express

### 实施步骤
1. 设计数据库结构：创建图像表和向量列
2. 生成图像嵌入：使用AI模型生成图像嵌入
3. 存储向量数据：将向量数据存储到数据库
4. 创建向量索引：创建HNSW索引
5. 开发检索API：开发图像检索API
6. 部署系统：部署到生产环境

### 数据库设计
SQL> CREATE TABLE images (
image_id NUMBER PRIMARY KEY,
image_name VARCHAR2(255),
image_path VARCHAR2(500),
embedding VECTOR(1024),
created_date DATE
);

SQL> CREATE SEQUENCE images_seq START WITH 1 INCREMENT BY 1;

SQL> CREATE VECTOR INDEX images_embedding_idx ON images(embedding)
INDEXTYPE IS VECTOR_INDEXTYPE
PARAMETERS (‘index_type=HNSW, distance=COSINE, m=16, ef_construction=200’);

### 生成图像嵌入
const oracledb = require(‘oracledb’);
const { generateImageEmbedding } = require(‘./ai-service’);

async function processImages() {
const connection = await oracledb.getConnection({
user: ‘scott’,
password: ‘tiger’,
connectString: ‘localhost:1521/ORCL’
});

const result = await connection.execute(‘SELECT image_id, image_path FROM images WHERE embedding IS NULL’);

for (const row of result.rows) {
const imageId = row[0];
const imagePath = row[1];

// 生成图像嵌入
const embedding = await generateImageEmbedding(imagePath);

// 更新向量数据
await connection.execute(
‘UPDATE images SET embedding = VECTOR(:embedding) WHERE image_id = :imageId’,
{ embedding, imageId }
);
}

await connection.commit();
await connection.close();
}

processImages();

### 开发检索API
const express = require(‘express’);
const router = express.Router();
const oracledb = require(‘oracledb’);
const { generateImageEmbedding } = require(‘./ai-service’);

router.post(‘/search’, async (req, res) => {
try {
const { imagePath } = req.body;

// 生成查询向量
const queryEmbedding = await generateImageEmbedding(imagePath);

// 执行向量查询
const connection = await oracledb.getConnection({
user: ‘scott’,
password: ‘tiger’,
connectString: ‘localhost:1521/ORCL’
});

const result = await connection.execute(
‘SELECT image_id, image_name, image_path, VECTOR_DISTANCE(embedding, VECTOR(:query), \’COSINE\’) AS similarity ‘ +
‘FROM images ORDER BY similarity DESC FETCH FIRST 10 ROWS ONLY’,
{ query: queryEmbedding }
);

await connection.close();
res.json(result.rows);
} catch (err) {
res.status(500).json({ error: err.message });
}
});

module.exports = router;

# 向量维度选择
– 文本嵌入：通常使用768-1024维
– 图像嵌入：通常使用512-2048维
– 音频嵌入：通常使用128-512维
– 视频嵌入：通常使用256-1024维

# 索引类型选择
– 小数据集：使用FLAT索引
– 中等数据集：使用IVF索引
– 大数据集：使用HNSW索引

# 索引参数调优
– HNSW索引：
– m：每个节点的最大邻居数，通常为16-64
– ef_construction：构建索引时的搜索宽度，通常为100-200
– ef_search：查询时的搜索宽度，通常为50-100
– IVF索引：
– nlist：聚类数量，通常为数据量的平方根
– nprobe：查询时访问的聚类数量，通常为10-100

# 批量操作
– 批量插入：使用批量插入提高性能
– 批量更新：使用批量更新提高性能
– 批量查询：使用批量查询提高性能

# 缓存使用
– 结果缓存：缓存频繁查询的结果
– 向量缓存：缓存热点向量数据
– 索引缓存：缓存索引数据

# 监控维护
– 索引状态：定期检查索引状态
– 索引重建：定期重建索引
– 性能监控：监控向量查询性能
– 空间使用：监控向量数据的空间使用