VectorStoreChatMemoryAdvisor 类是一个基于向量存储（VectorStore）的聊天记忆管理组件，通过将历史对话消息转换为向量并存储，实现在对话系统中上下文感知的对话记忆功能。
当用户发起请求时，VectorStoreChatMemoryAdvisor 会基于会话 ID（Conversation ID）直接关联并返回历史消息，而没有进行向量语义检索（即没有通过嵌入向量相似性搜索来获取相关上下文）。
VectorStoreChatMemoryAdvisor 类的主要功能如下：
上下文记忆：存储用户与AI的对话历史，并且将消息向量化，存储到向量数据库。
动态上下文注入：自动将检索到的历史对话添加到新请求的上下文中，作为系统提示词进行添加。
注意：再次强调，VectorStoreChatMemoryAdvisor 没有提供向量语义检索，看源码：
上图中，直接通过 conversationId 进行过滤，未有语义相关代码。
和其他 Advisor 一样，VectorStoreChatMemoryAdvisor 的构造方法是私有的，如下：
private VectorStoreChatMemoryAdvisor(PromptTemplate systemPromptTemplate, int defaultTopK, String defaultConversationId, int order, Scheduler scheduler, VectorStore vectorStore) {
Assert.notNull(systemPromptTemplate, "systemPromptTemplate cannot be null");
Assert.isTrue(defaultTopK > 0, "topK must be greater than 0");
Assert.hasText(defaultConversationId, "defaultConversationId cannot be null or empty");
Assert.notNull(scheduler, "scheduler cannot be null");
Assert.notNull(vectorStore, "vectorStore cannot be null");
this.systemPromptTemplate = systemPromptTemplate;
this.defaultTopK = defaultTopK;
this.defaultConversationId = defaultConversationId;
this.order = order;
this.scheduler = scheduler;
this.vectorStore = vectorStore;
}必须通过静态方法 builder(VectorStore chatMemory) 进行构建，该方法接收一个 VectorStore，VectorStore（向量存储）是 Spring AI 中用于高效存储和检索向量嵌入数据的核心组件，专为 AI 应用中的语义搜索和相似性匹配场景设计。
builder(VectorStore chatMemory) 方法返回类型是静态内部类 Builder，Builder 用来通过链式调用方式构建 VectorStoreChatMemoryAdvisor 实例，构建方法如下：
VectorStoreChatMemoryAdvisor vector=
VectorStoreChatMemoryAdvisor.builder(vectorStore(embeddingModel))
.systemPromptTemplate(new PromptTemplate("请使用中文回复")) // 系统提示词
.conversationId("sessionId-20250706065015") // 消息ID
.order(0) // 排序
.defaultTopK(10) // TopK
.build();
VectorStoreChatMemoryAdvisor.Builder 是 Spring AI 1.0.0 中用于构建基于向量存储的对话记忆顾问（VectorStoreChatMemoryAdvisor）的核心构建器，提供链式调用方式。
以下是该构建器提供的属性：
public static class Builder {
private PromptTemplate systemPromptTemplate;
private Integer defaultTopK;
private String conversationId;
private Scheduler scheduler;
private int order;
private VectorStore vectorStore;
protected Builder(VectorStore vectorStore) {
this.systemPromptTemplate = VectorStoreChatMemoryAdvisor.DEFAULT_SYSTEM_PROMPT_TEMPLATE;
this.defaultTopK = 20;
this.conversationId = "default";
this.scheduler = BaseAdvisor.DEFAULT_SCHEDULER;
this.order = -2147482648;
this.vectorStore = vectorStore;
}
//...
}属性说明：
systemPromptTemplate 系统提示词模板，用于控制系统提示词的生成，可嵌入对话历史和当前上下文。默认提示词如下：
private static final PromptTemplate DEFAULT_SYSTEM_PROMPT_TEMPLATE =
new PromptTemplate("{instructions}\n\nUse the long term conversation memory from the LONG_TERM_MEMORY section to provide accurate answers.\n\n---------------------\nLONG_TERM_MEMORY:\n{long_term_memory}\n---------------------\n");将提示词中的 \n 转换为换行，如下：
{instructions}
Use the long term conversation memory from the LONG_TERM_MEMORY section to provide accurate answers.
---------------------
LONG_TERM_MEMORY:
{long_term_memory}
---------------------defaultTopK 控制默认返回的最相关记忆片段数量，向量相似度搜索的结果规模。即从向量数据库召回语义相似的片段数量。默认为 20 个片段。
conversationId 会话唯一 ID
scheduler 控制记忆操作的执行线程和调度策略，异步记忆操作、后台记忆清理、高并发场景优化。常用调度器：
Schedulers.immediate() 立即在当前线程执行（默认）
Schedulers.boundedElastic() 弹性线程池，适合阻塞操作
Schedulers.parallel() 固定大小线程池，适合计算密集型
Schedulers.single() 单线程执行
order 决定 Advisor 在调用链中的执行顺序，值越小优先级越高，越先执行。
vectorStore 提供向量存储和检索能力，Spring AI 提供了很多模块实现向量存储，如下：
spring-ai-starter-vector-store-aws-opensearch：快速集成 AWS OpenSearch 向量搜索。
spring-ai-starter-vector-store-azure：快速集成 Azure 向量存储服务。
spring-ai-starter-vector-store-azure-cosmos-db：快速集成 Azure Cosmos DB 向量存储。
spring-ai-starter-vector-store-cassandra：快速集成 Apache Cassandra 向量存储。
spring-ai-starter-vector-store-chroma：快速集成 ChromaDB 向量存储。
spring-ai-starter-vector-store-couchbase：快速集成 Couchbase 向量存储。
spring-ai-starter-vector-store-elasticsearch：快速集成 Elasticsearch 向量搜索。
spring-ai-starter-vector-store-gemfire：快速集成 GemFire 向量存储。
spring-ai-starter-vector-store-mariadb：快速集成 MariaDB 向量扩展。
spring-ai-starter-vector-store-milvus：快速集成 Milvus 向量数据库。
spring-ai-starter-vector-store-mongodb-atlas：快速集成 MongoDB Atlas 向量搜索。
spring-ai-starter-vector-store-neo4j：快速集成 Neo4j 向量能力。
spring-ai-starter-vector-store-opensearch：快速集成 OpenSearch 向量搜索。
spring-ai-starter-vector-store-oracle：快速集成 Oracle 向量存储。
spring-ai-starter-vector-store-pgvector：快速集成 PostgreSQL 的 pgvector 扩展。
spring-ai-starter-vector-store-pinecone：快速集成 Pinecone 云向量服务。
spring-ai-starter-vector-store-qdrant：快速集成 Qdrant 向量搜索引擎。
spring-ai-starter-vector-store-redis：快速集成 Redis 向量存储。
spring-ai-starter-vector-store-typesense：快速集成 Typesense 向量搜索。
spring-ai-starter-vector-store-weaviate：快速集成 Weaviate 向量搜索引擎。
后续示例我们将基于 Redis 进行演示。
下面为了演示，将采用 Spring AI 提供的 SimpleVectorStore，它是一个轻量级内存向量存储实现，适合开发测试和小规模生产环境使用。主要特点：
基于内存的快速存取，无需额外基础设施
开箱即用，无需复杂配置
非常适合快速原型开发和测试场景
支持添加、删除和相似性搜索
支持将存储内容序列化到磁盘
在 resources 下面创建 application.yml 配置文件，添加大模型相关配置信息，如下：
spring: application: name: springai_demo1 # AI配置 ai: # openai相关配置 openai: # 基础地址 base-url: https://api.xty.app # AI KEY api-key: sk-vHTHX8D3wNZBfRya831a**********e42BeB8A23e48AbB600 # 聊天模型配置 chat: options: model: gpt-3.5-turbo # 图片模型配置 image: options: # 需要高级接口 model: dall-e-3 chat: memory: # 会话历史持久化 repository: jdbc: # 启动时不自动执行初始化SQL脚本，手动创建数据表 initialize-schema: never client: # true 开启，自动注入 ChatClient，false 关闭，需要手动创建 ChatClient enabled: true # 日志配置 logging: charset: console: UTF-8 level: root: info org.springframework.ai: debug
继续创建一个名为 AiConfig 的配置类，创建 VectorStoreChatMemoryAdvisor 和 VectorStore，如下：
package com.hxstrive.springai.springai_openai.advisor_VectorStoreChatMemoryAdvisor.config;
import org.springframework.ai.chat.client.advisor.SimpleLoggerAdvisor;
import org.springframework.ai.chat.client.advisor.vectorstore.VectorStoreChatMemoryAdvisor;
import org.springframework.ai.embedding.EmbeddingModel;
import org.springframework.ai.vectorstore.SimpleVectorStore;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.ai.vectorstore.redis.RedisVectorStore;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import redis.clients.jedis.JedisPooled;
/**
* AI配置
* @author Administrator
*/
@Configuration
public class AiConfig {
@Bean
public VectorStore vectorStore(JedisPooled jedis, EmbeddingModel embeddingModel) {
return SimpleVectorStore.builder(embeddingModel).build();
}
@Bean
public VectorStoreChatMemoryAdvisor vectorStoreChatMemoryAdvisor(VectorStore vectorStore) {
return VectorStoreChatMemoryAdvisor.builder(vectorStore)
.defaultTopK(10) // TopK
.build();
}
@Bean
public SimpleLoggerAdvisor simpleLoggerAdvisor() {
return new SimpleLoggerAdvisor(); // 默认配置
}
}创建一个名为 AIController 的控制器，通过 @Autowired 注入 VectorStoreChatMemoryAdvisor，然后使用 ChatClient 的 defaultAdvisors() 添加 VectorStoreChatMemoryAdvisor。如下：
package com.hxstrive.springai.springai_openai.advisor_VectorStoreChatMemoryAdvisor.controller;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.SimpleLoggerAdvisor;
import org.springframework.ai.chat.client.advisor.vectorstore.VectorStoreChatMemoryAdvisor;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
@RestController
public class AIController {
@Autowired
private ChatModel chatModel;
@Autowired
private VectorStoreChatMemoryAdvisor vectorStoreChatMemoryAdvisor;
@Autowired
private SimpleLoggerAdvisor simpleLoggerAdvisor;
@GetMapping("/ai/simple")
public String completion(@RequestParam("userText") String userText) {
ChatClient chatClient = ChatClient.builder(chatModel)
.defaultSystem("使用中文进行回复")
.defaultAdvisors(
simpleLoggerAdvisor,
vectorStoreChatMemoryAdvisor // 使用 VectorStoreChatMemoryAdvisor
)
.build();
// conversationId 区分不同对话，定位对应的历史记录
String conversationId = "sessionId-20250706153029";
return chatClient.prompt()
// 运行时设置会话ID参数
.advisors(advisor -> {
advisor.param(ChatMemory.CONVERSATION_ID, conversationId);
})
.user(userText)
.call()
.content();
}
}启动应用程序，浏览器访问 http://localhost:8080/ai/simple 地址，提问“我是张三，毕业于四川大学”，效果如下图：
此时后端日志信息如下：
上图中，“LONG_TERM_MEMORY”部分内容为空。
接着，继续提问“张三”，效果如下图：
继续查看后端输出日志：
此时，“LONG_TERM_MEMORY”部分有数据了，是前面我们提问/回复的数据。
如果继续问一个与“张三”完全没有关系的话题，看看 AI 的回复，如下图：
看看日志呢：
通过日志可以看出，“LONG_TERM_MEMORY”部分的内容是本次会话的历史数据，并不是语义相关的数据。
川公网安备51010802032098
