29 切片的权限隔离(实战篇):Milvus + Spring AI,从 0 搭一条带权限过滤的检索链路

上一篇(#28)把原理讲透了:权限要沉到切片、过滤要下推检索层、多租户要隔离、边角要想全。道理都懂,但面试官最爱追的一句是——"那你具体怎么落地?"

这篇不聊理论,直接从 0 搭起来:用 Milvus + Spring AI,建表、灌数据、带权限过滤地检索,跑一条能用的链路。前端怎么展示先不管,我们只盯后端这一条线。

先看全貌。

整条链路一句话概括:文档切分时给每块打上权限元数据 → 用 Spring AI 的EmbeddingModel算向量 → 存进 Milvus → 检索时把"当前用户能看什么"翻译成一个过滤表达式,和向量相似度一起算 → 命中的切片交给ChatClient生成回答。


一、起一个 Milvus(standalone,一条命令)

开发环境不用搭集群,官方给了独立版一键脚本:

# Linux / macOS,需已装 Docker curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/master/scripts/standalone_embed.sh -o standalone_embed.sh bash standalone_embed.sh start

Windows 上如果跑脚本不方便,用官方给的 standalone docker-compose 起也一样,对外端口不变。起来之后记两个端口:

-19530:SDK / gRPC 端口,Java 端连的是它;

-9091:健康检查与指标端口,排查"起没起来"用它。


二、schema 是这套东西的地基

Milvus 里一个 collection 就是一张"能存向量的表"。Spring AI 的MilvusVectorStore会在initializeSchema=true时帮你把表建好,默认结构就四个字段:

字段默认名存什么
主键doc_id每块切片的唯一 id
正文content切片文本
向量embedding切片的向量
元数据metadataJSON,你想带的字段都塞这儿

关键点在这里:权限字段(tenantid/dept/level/acltags)不用单独建列,全部塞进metadata这个 JSON 字段。检索时 Spring AI 的filterExpression会自动把它们翻译成 Milvus 的过滤条件——这也是这套方案最省事的地方。

配置文件大致长这样:

spring.ai.vectorstore.milvus.client.host=localhost spring.ai.vectorstore.milvus.client.port=19530 spring.ai.vectorstore.milvus.collection-name=kb_chunk spring.ai.vectorstore.milvus.embedding-dimension=1536 spring.ai.vectorstore.milvus.index-type=HNSW # 默认是 IVF_FLAT spring.ai.vectorstore.milvus.metric-type=COSINE # 默认 COSINE spring.ai.vectorstore.milvus.index-parameters={"M":16,"efConstruction":200} # HNSW 参数 spring.ai.vectorstore.milvus.initialize-schema=true # 让 Spring AI 自动建表 spring.ai.vectorstore.milvus.auto-id=true # 主键自增,省得自己生成

几个默认值面试时提一嘴很加分:embedding-dimension默认1536(正好是 OpenAItext-embedding-3-small的维度)、默认索引IVF_FLAT(改成HNSW召回通常更好,但要配M/efConstruction)、默认度量COSINE。


三、灌数据:切分 + 算向量 + 带上权限

入库的难点不在代码本身,而在"权限元数据要从来源文档继承下来"这一步——切片自己不知道它是谁,得从它出处的文档把属性带过来。

@Service public class KbIngestService { private final VectorStore vectorStore; public KbIngestService(VectorStore vectorStore) { this.vectorStore = vectorStore; } // docMeta 来自源文档表;权限属性从这里继承,而不是写死在切片里 public void ingest(DocMeta docMeta, List<String> chunks) { List<Document> docs = new ArrayList<>(); for (String text : chunks) { Map<String, Object> meta = new HashMap<>(); meta.put("tenant_id", docMeta.tenantId()); // 租户:多租户隔离的第一道 meta.put("doc_id", docMeta.docId()); // 回链原文 / 删文联动 meta.put("dept", docMeta.dept()); // 部门 meta.put("level", docMeta.level()); // 密级 meta.put("acl_tags", docMeta.aclTags()); // 白名单标签 List<String> meta.put("status", "active"); // 软删标记 docs.add(new Document(text, meta)); } // add() 内部:把每块 text 交给 EmbeddingModel 算向量 → 连 metadata 一起写进 Milvus vectorStore.add(docs); } }

vectorStore.add(docs)这一句,Spring AI 帮你把"每块的文本拿去算 embedding、再连同元数据一起落库"全做了。Document的第二个参数就是元数据 map,acl_tags直接放List<String>即可——到 Milvus 里就是一份 JSON。

留意status这个字段:它是第六节"先软删后慢清"要用的伏笔。


四、检索:把"用户能看啥"翻译成 filterExpression(全篇核心)

到了最要紧的地方。检索时不只要问"哪块最相似",还要问"哪块这个用户有权限看"。Spring AI 把它写成filterExpression:

@Service public class KbSearchService { private final VectorStore vectorStore; public KbSearchService(VectorStore vectorStore) { this.vectorStore = vectorStore; } // ctx 来自登录态(JWT / SSO),业务层无法省略 public List<Document> search(String query, AuthCtx ctx) { String filter = String.format( "tenant_id == '%s' && level <= %d && status == 'active' && (dept == '%s' || acl_tags in ['public'])", ctx.tenantId(), ctx.level(), ctx.dept()); return vectorStore.similaritySearch( SearchRequest.builder() .query(query) .topK(5) .filterExpression(filter) // 关键:过滤下推给 Milvus .build()); } }

这个表达式就是"且 / 或 + 比较 + in"这一套,跟 Milvus 的过滤语法一一对应:&&是且、==是相等、in [...]是命中集合。上面这句读作:同一租户、没被删、密级不高于用户级别、并且(属于用户部门 或 带 public 标签)——全部满足的切片,才有资格进入相似度排序。

这就是 #28 说的 pre-filter 落地版:过滤没有被搬回应用层,而是和向量相似度在 Milvus 内部一次完成。不相关的切片压根不参与计算,既不会白占 TopK 名额,也不存在"敏感内容先被搜出来再被过滤"的路径。

条件一长,手拼字符串容易在引号转义上翻车,Spring AI 也提供了 DSL:

FilterExpressionBuilder b = new FilterExpressionBuilder(); String expr = b.and( b.eq("tenant_id", ctx.tenantId()), b.lte("level", ctx.level()) ).build();

eq/ne/gt/lte/in/and/or这些都在这个 DSL 里,拼长条件时比裸字符串稳得多。

这里再重复 #28 那条铁律:过滤条件只能来自登录态,绝不能由调用方传进来。上面ctx从SecurityUtils.current()解 JWT / SSO 拿到,任何接口都改不掉——否则只要有个新接口忘了带条件,整套校验就形同虚设。


五、多租户:别指望一个 filter 兜住所有

如果你的知识库是卖给多家公司的 SaaS,只靠tenant_id ==过滤是不够硬的——一旦某个脚本、某个新接口漏传了这个条件,吐出来的就是跨公司的数据。

Milvus 里更稳的做法是分区(partition):一个租户一个分区,检索时只查对应分区。Spring AI 直接支持:

spring.ai.vectorstore.milvus.partition-name=t_acme

加了它之后,insert / delete / search 都会被限定在该分区内。真正做 SaaS 时,这个分区名由租户上下文动态决定——常见做法是用 Milvus 客户端为每个租户建好分区,检索时按当前租户切到对应分区(或按租户各建一个VectorStorebean)。

对应 #28 那张表:collection 每租户一个= 隔离最强、资源最费;partition= 同库内分区,性价比最高,多数企业从这儿起步;单库 + 一个 filter= 最省,但最险。能物理隔离就物理隔离,退一步至少要分区。

六、删文与权限变更,落到代码上

原理篇讲过"先搜不到、再删干净",这里给代码。

删文档。源文档标记删除后,别去拼字符串,用Filter.Expression:

// 立即不可见:把该文档的切片打上软删标记(重新写一遍 status) // 或者直接用表达式删除 vectorStore.delete(new FilterExpressionBuilder() .eq("doc_id", docMeta.docId()) .build());

delete(Filter.Expression)会按条件删掉对应切片,检索立刻搜不到;剩下的物理空间回收交给 Milvus 后台的 compaction 慢慢做。如果你要"软删优先、物理清理放到后面",就更简单:检索时的filterExpression里带上status == 'active'(上面的代码已经带了),删文只是把status改掉,索引层的清理由后台异步完成。

权限变更。分两种:

-文档属性变了(一份内部文档降级为公开):把这份doc_id的切片重新灌一遍(先删后插,或覆盖),新属性立刻生效;

-用户调岗了:什么都不用动。因为用户权限是检索时从登录态实时算的(ctx),切片里只存了文档属性。这正是 #28 强调的那条线——文档属性写进切片,用户权限每次实时算——守住了它,人员变动就不必碰向量库。


七、面试官视角的标准回答

面试官问:"你说权限过滤要下推检索层,具体怎么落地?"

用 Milvus + Spring AI 这套来讲:切分入库时,把权限属性(租户、部门、密级、ACL 标签)写进每块切片的 metadata;检索时把当前登录用户的权限翻译成filterExpression,比如tenantid == '...' && level <= 3 && status == 'active' && (dept == '...' || acltags in ['public']),交给 Milvus 和向量相似度在一次查询里完成,而不是搜完再在应用层过滤——那样既丢召回,又有把敏感内容送进模型的风险。<br><br>条件从登录态强制注入,调用方无权传。多租户用 partition 做隔离,别只押一个tenant_id过滤;删文档用表达式删除加软删标记,检索先排除status != 'active';权限变更靠文档属性重灌 + 用户权限实时计算,两件事分开。<br><br>一句话:过滤在检索层、隔离在分区层、时效在实时计算,三层各管各的。

八、跑起来之后的验证清单

写完不算数,得能自证。造点数据,按下面四条过一遍:

1.造两个租户、两个密级的数据,用不同用户的ctx搜同一个 query,确认结果集不串;

2.故意把 filter 里的tenant_id去掉,确认能搜到别的租户的切片——反过来证明这条条件就是"命门",少一个都不行;

3.删一篇文档再搜,确认立刻搜不到;

4.把用户的level从 3 调到 1,确认高密级切片这次搜不出来(实时生效,不用重建索引)。

四条全过,这套权限隔离就算立住了。


Milvus 的路子走通了。如果你的向量库是 pgvector,思路完全一样,只是把filterExpression换成 SQL 的WHERE(#> 26那篇里写过完整写法)。下一篇可以聊点别的——比如把同一套检索用 LangChain4j 再实现一遍,看看两套框架的写法差在哪。

相关新闻

微信小程序实验:计时器

微信小程序实验:计时器

本案例实现倒计时计时器&#xff0c;页面初始 2 秒空白后展示计时面板&#xff0c;支持开始计时、停止计时、重新计时&#xff1b;倒计时初始值 60&#xff0c;暂停后可继续计时&#xff0c;计数到 0 自动停止。拓展功能使用 CSS 伪元素在计时框增加背景文字。知识点&#xff1…

2026/11/18 13:47:54 阅读更多 →
监控Kubernetes集群的GPU资源(一)

监控Kubernetes集群的GPU资源(一)

对于SRE团队来说&#xff0c;实现监控AI、高性能计算平台上大规模GPU资源&#xff0c;至关重要。SRE团队可以通过GPU指标了解工作负载等相关性能&#xff0c;从而优化资源分配&#xff0c;提升资源利用率及异常诊断&#xff0c;以提高数据中心资源的整体效能。除了SRE及基础设施…

2026/11/11 7:41:32 阅读更多 →
算法复杂度分析笔记:主定理详解

算法复杂度分析笔记:主定理详解

文章目录&#x1f4dd; 算法复杂度分析笔记&#xff1a;主定理详解1. 题目回顾2. 核心工具&#xff1a;主定理 (Master Theorem)&#x1f511; 参数含义⚖️ 比较逻辑3. 解题步骤演示第一步&#xff1a;提取参数第二步&#xff1a;计算临界值第三步&#xff1a;比较 f(n)f(n)f(…

2026/11/18 6:56:47 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年&#xff0c;我大部分时间都在跟浏览器标签页打交道&#xff0c;直到第一次把桌面应用跑起来&#xff0c;才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词&#xff0c;最开始是在某段时间频繁出现在同事的讨论里&#xff0c;一个用HTML…

2026/11/18 13:59:04 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介&#xff1a;亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档&#xff0c;主要面向智能锁安装人员、终端用户及售后维护者&#xff0c;帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件&#xff0c;大小4.37MB&#xff0c;内容结构清晰&#xff…

2026/11/18 15:33:23 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统&#xff0c;整车要求空载跑到8m/s&#xff0c;电机转速已经拉到额定点&#xff0c;驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令&#xff0c;转速纹丝不动&#xff0c;三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/18 17:05:28 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年&#xff0c;用它写过嵌入式驱动、做过游戏服务端&#xff0c;也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词&#xff0c;我其实挺感慨的——这门语言的难点从来不是语法多&#xff0c;而是知识点之间的耦合太深…

2026/11/18 14:33:19 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介&#xff1a;亚太天能T109滑盖智能锁产品说明书以PDF格式发布&#xff0c;适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开&#xff0c;先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能&#xff0c;再给出完整安装步骤&…

2026/11/18 17:05:28 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历&#xff1a;翻开源码注释、论文摘要或者一份专业报告&#xff0c;每个字都认识&#xff0c;连在一起却像天书。想找人聊聊&#xff0c;身边要么没人懂&#xff0c;要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型&#xff0c;几秒钟之后&a…

2026/11/18 14:13:08 阅读更多 →

日新闻

周新闻

月新闻