# 踩坑记录：Spring AI + PGVector 维度不一致导致 DataIntegrityViolationException > **日期**：2026-07-23 > **作者**：puipui > **影响范围**：`pui-ai-agent` RAG 模块 / PGVector 向量存储 --- ## 一、问题现象在本地 / 测试环境启动 `PgVectorVectorStoreConfigTest` 或主程序时，出现以下异常： ```text org.springframework.dao.DataIntegrityViolationException: PreparedStatementCallback; SQL [INSERT INTO public.vector_store ...]; ERROR: expected 1536 dimensions, not 1024 ``` ### 表现特征 - 有时第一次启动成功，重启后立刻失败 - 报错维度在 `1536 / 1024 / 1532` 之间反复变化 - 日志中出现 `Is empty: false`，说明表已存在但维度不匹配 --- ## 二、环境信息 | 组件 | 版本 | |---|---| | Spring Boot | 3.5.7 | | Spring AI | 1.1.2 | | PGVector (Java) | 0.1.6 | | PostgreSQL (阿里云 RDS) | 15.x | | Embedding 模型 | DashScope（通义千问） | | JDK | 21 | --- ## 三、根因分析 ### 3.1 一句话版 > **DashScope Embedding 模型未显式指定 → 输出维度不稳定 → PGVector 表维度不可变 → 维度冲突。** --- ### 3.2 PGVector 的硬性约束 ```sql embedding vector(N) ``` - `N` 在建表时确定，**后续无法 ALTER** - Spring AI 不会自动迁移或重建已有表 - 一旦维度对不上，**100% 报错** --- ### 3.3 DashScope Embedding 模型维度不固定 | 模型 | 输出维度 | 是否稳定 | |---|---|---| | `text-embedding-v1` | 1536 | ✅ | | `text-embedding-v2` | 1536 | ✅ | | `text-embedding-v3` | 1024 / 1536 / 2048 | ❌ | | **未显式指定** | SDK 自动选择 | ❌ 不稳定 | Spring AI 未指定模型时： - 首次启动可能输出 `1024` - 后续启动可能输出 `1536` - → "刚成功又失败"的元凶 --- ### 3.4 Spring AI 的建表策略 ```java if (table exists) { // 直接复用已有表结构，完全无视 dimensions 配置 reuse existing schema; } else { // 只有表不存在时才用 dimensions 建表 create table using dimensions; } ``` **关键结论**：只要表存在，`application.yml` 里的 `dimensions: 1024` 配置**完全失效**。 --- ### 3.5 阿里云 RDS 的 schema / search_path 干扰 - 默认 `search_path` 可能包含多个 schema - Spring AI 实际使用的表，可能与 DMS 中看到的不是同一张 - 典型表现："我明明删了表，为什么还在报错" --- ## 四、排查过程中的典型误区 | 误区 | 真实情况 | |---|---| | 以为是 Mockito / JDK 21 问题 | 完全无关，可忽略 | | 只在 `application.yml` 配置 dimensions | profile 环境下被覆盖，未生效 | | 在 `postgres` 默认库删表 | 实际连接的是业务库 `pui_loveAi_agent` | | 只看表是否存在 | 未检查实际维度是否一致 | | 多次重启不清理缓存 | IDEA / Spring Test 上下文复用旧配置 | | 删表后仍然报错 | 另一个 schema 里还有同名表 | --- ## 五、最终解决方案（✅ 已验证） ### Step 1：显式固定 Embedding 模型（最关键） ```yaml spring: ai: dashscope: embedding: options: model: text-embedding-v1 # ✅ 固定 1536 维 ``` --- ### Step 2：维度与模型强绑定 ```yaml spring: ai: vectorstore: pgvector: dimensions: 1536 schema: public initialize-schema: true index-type: HNSW distance-type: COSINE_DISTANCE max-document-batch-size: 10000 ``` --- ### Step 3：彻底清理旧表在阿里云 DMS / Navicat 中执行： ```sql DROP TABLE IF EXISTS public.vector_store CASCADE; ``` 确认删除成功（应报错）： ```sql SELECT a.atttypmod - 4 AS dims FROM pg_attribute a JOIN pg_class c ON a.attrelid = c.oid JOIN pg_namespace n ON c.relnamespace = n.oid WHERE n.nspname = 'public' AND c.relname = 'vector_store' AND a.attname = 'embedding'; -- 期望结果：ERROR: relation "vector_store" does not exist ``` --- ### Step 4：防止 SQL 初始化脚本干扰 ```yaml spring: sql: init: mode: never ``` > 防止 `schema.sql` / `schema-postgresql.sql` 在项目启动前抢先建表。 --- ### Step 5：JDBC URL 锁定 schema ```yaml spring: datasource: url: jdbc:postgresql://xxx.aliyuncs.com:5432/pui_loveAi_agent?currentSchema=public ``` --- ### Step 6：IDE / 构建环境清理 ```text 1. 停止所有 Run / Debug 进程 2. IDEA → File → Invalidate Caches / Restart 3. mvn clean 4. 重新运行测试 ``` --- ## 六、成功标志（必须满足）启动日志中必须看到： ```text Using the vector table name: vector_store. Is empty: true Creating table: vector_store embedding VECTOR(1536) ``` 只要看到 `VECTOR(1536)`，问题永久解决。 --- ## 七、经验总结 ### 7.1 最佳实践清单 - [ ] Embedding 模型必须显式指定（禁止依赖默认值） - [ ] PGVector 维度一旦确定，不可更改 - [ ] 测试环境每次重建表，避免历史污染 - [ ] 所有向量相关配置集中在 `application-local.yml` - [ ] 启动后第一时间检查向量维度 - [ ] 使用「启动自检 Bean」自动校验（见附件） ### 7.2 推荐稳定组合 ```text Embedding 模型：text-embedding-v1 向量维度： 1536 索引类型： HNSW 距离算法： Cosine ``` --- ## 八、常见 Q&A ### Q：我可以用 1024 维吗？ ✅ 可以，但必须： - Embedding 模型稳定输出 1024 - 表维度也是 1024 - 否则必须删表重建 ### Q：为什么我删了表还是报错？ 99% 是以下原因之一： - 删错了库 / schema - `schema.sql` 脚本重建了旧表 - IDEA 缓存未清理 ### Q：这个坑以后还会遇到吗？按本文方案配置 + 启动自检 Bean，**不会再出现**。 --- ## 九、参考报错日志 ```text Caused by: org.postgresql.util.PSQLException: ERROR: expected 1536 dimensions, not 1024 ``` --- ## 附件：启动自检 Bean 详见项目源码： `com.puicode.puiaiagent.config.VectorStoreHealthCheck` ```java package com.puicode.puiaiagent.config; import jakarta.annotation.PostConstruct; import lombok.extern.slf4j.Slf4j; import org.springframework.ai.embedding.EmbeddingModel; import org.springframework.ai.embedding.EmbeddingRequest; import org.springframework.ai.vectorstore.pgvector.PgVectorStore; import org.springframework.boot.autoconfigure.condition.ConditionalOnBean; import org.springframework.boot.autoconfigure.condition.ConditionalOnProperty; import org.springframework.context.annotation.Configuration; import org.springframework.jdbc.core.JdbcTemplate; import java.util.List; /** * 向量存储启动自检器 * *

功能：在应用启动时自动校验以下三项一致性，防止维度不匹配问题：

Embedding 模型实际输出维度
PGVector 表的实际维度
配置中声明的维度

* *

任意一项不匹配，立即 Fail Fast，抛出明确异常，阻止应用继续启动。

* * @author Shihui * @date 2026-07-23 */ @Slf4j @Configuration @ConditionalOnBean({EmbeddingModel.class, PgVectorStore.class}) @ConditionalOnProperty( name = "spring.ai.vectorstore.pgvector.initialize-schema", havingValue = "true", matchIfMissing = false ) public class VectorStoreHealthCheck { private final EmbeddingModel embeddingModel; private final JdbcTemplate jdbcTemplate; private final org.springframework.core.env.Environment environment; public VectorStoreHealthCheck( EmbeddingModel embeddingModel, JdbcTemplate jdbcTemplate, org.springframework.core.env.Environment environment) { this.embeddingModel = embeddingModel; this.jdbcTemplate = jdbcTemplate; this.environment = environment; } @PostConstruct public void validateVectorStoreConsistency() { log.info("========================================"); log.info("🔍 [向量存储自检] 开始启动校验..."); log.info("========================================"); // 1️⃣ 检查 Embedding 模型输出维度 int modelDimension = checkEmbeddingModelDimension(); // 2️⃣ 检查 PGVector 表维度 int tableDimension = checkTableDimension(); // 3️⃣ 检查配置声明的维度 Integer configDimension = checkConfigDimension(); // 4️⃣ 一致性校验 validateConsistency(modelDimension, tableDimension, configDimension); log.info("========================================"); log.info("✅ [向量存储自检] 全部通过，维度一致 = {}D", modelDimension); log.info("========================================"); } /** * 检查 Embedding 模型实际输出维度 */ private int checkEmbeddingModelDimension() { try { var response = embeddingModel.call( new EmbeddingRequest(List.of("test")) ); int dim = response.getResult().getOutput().length; log.info("📐 Embedding 模型输出维度: {}D", dim); return dim; } catch (Exception e) { throw new IllegalStateException( "❌ [向量存储自检] Embedding 模型调用失败，请检查 DashScope API Key 和网络连接", e); } } /** * 检查 PGVector 表的实际维度 */ private int checkTableDimension() { String sql = """ SELECT a.atttypmod - 4 AS dims FROM pg_attribute a JOIN pg_class c ON a.attrelid = c.oid JOIN pg_namespace n ON c.relnamespace = n.oid WHERE n.nspname = 'public' AND c.relname = 'vector_store' AND a.attname = 'embedding' """; try { Integer dim = jdbcTemplate.queryForObject(sql, Integer.class); if (dim == null) { throw new IllegalStateException( "❌ [向量存储自检] vector_store 表不存在或 embedding 列不存在，" + "请确认 initialize-schema: true 且表已正确创建" ); } log.info("📐 PGVector 表实际维度: {}D", dim); return dim; } catch (Exception e) { if (e instanceof IllegalStateException) { throw e; } throw new IllegalStateException( "❌ [向量存储自检] 查询 vector_store 维度失败: " + e.getMessage(), e); } } /** * 检查配置中声明的维度 */ private Integer checkConfigDimension() { String dimStr = environment.getProperty( "spring.ai.vectorstore.pgvector.dimensions"); if (dimStr == null || dimStr.isBlank()) { log.warn("⚠️ [向量存储自检] 配置中未声明 spring.ai.vectorstore.pgvector.dimensions，" + "强烈建议显式指定以避免维度漂移"); return null; } int dim = Integer.parseInt(dimStr); log.info("📐 配置声明维度: {}D", dim); return dim; } /** * 校验三者一致性 */ private void validateConsistency(int modelDim, int tableDim, Integer configDim) { // 模型维度 vs 表维度（必须一致） if (modelDim != tableDim) { throw new IllegalStateException(String.format( "❌ [向量存储自检] 维度不匹配！\n" + " Embedding 模型输出: %dD\n" + " PGVector 表维度: %dD\n" + " 解决方案:\n" + " 1. 确认 spring.ai.dashscope.embedding.options.model 已固定\n" + " 2. DROP TABLE public.vector_store CASCADE;\n" + " 3. 重启应用让 Spring AI 用正确维度重建表\n" + " 详细排查步骤见 docs/踩坑记录-PGVector维度冲突.md", modelDim, tableDim )); } // 配置维度 vs 实际维度（如果配置了的话） if (configDim != null && !configDim.equals(tableDim)) { log.warn("⚠️ [向量存储自检] 配置维度({}D) 与实际表维度({}D) 不一致，" + "但模型输出与表维度匹配，应用可正常运行。" + "建议将配置改为 {}D 以保持一致。", configDim, tableDim, tableDim); } } } ``` **功能**： - 启动时自动校验 Embedding 模型输出维度 - 自动校验 PGVector 表维度 - 不一致时 **Fail Fast**，直接抛出明确异常 - 防止后人再次踩坑

超级智能体 依赖报错

超级智能体依赖报错