最近有小伙伴問我，AI 里的“嵌入模型 API”到底是干嘛的？其實，它就像把文字、圖片、數(shù)據(jù)轉(zhuǎn)成“數(shù)字DNA”，方便 AI 理解和處理。在 SpringAI 里，這一套 API 已經(jīng)封裝得很優(yōu)雅，今天小米就帶大家從故事開頭一路聊到落地實現(xiàn)，保證看完你能用得飛起。

1.故事開場：為什么要有嵌入模型？

前段時間，我的同事阿輝遇到一個經(jīng)典問題：

公司知識庫的內(nèi)容太龐大，光靠關(guān)鍵字搜索效率極低，經(jīng)常搜不到真正相關(guān)的答案。于是，老板甩下一句話：

“要讓用戶輸入一句話，系統(tǒng)能立刻找到最相關(guān)的資料！”

阿輝一臉懵逼地跑來找我。

我說：“這事啊，用嵌入（Embedding）就能解決。”

嵌入是什么？簡單理解：就是把自然語言（文本）轉(zhuǎn)化為一堆高維向量。這樣相似的內(nèi)容就能在“向量空間”里自動靠近，檢索、推薦、聚合都不在話下。

SpringAI 里有一套嵌入模型 API，把復雜的細節(jié)都封裝好了，我們只需要會用，就能輕松上手。

2.嵌入模型 API 概述

在 SpringAI 里，嵌入模型 API 的定位很清晰：

• 統(tǒng)一接口：無論你用的是 OpenAI、Ollama 還是本地模型，調(diào)用方式都一致。
• 標準化輸入輸出：請求就是 EmbeddingRequest，響應就是 EmbeddingResponse。
• 結(jié)果可復用：嵌入的結(jié)果可以直接拿去做向量數(shù)據(jù)庫檢索（比如 Milvus、Pinecone、Postgres+pgvector），也能做相似度計算。

這套 API 就像一座“適配橋梁”，把不同廠商、不同實現(xiàn)的模型統(tǒng)一到一套 Spring 風格的接口下。

一句話總結(jié)：寫一次代碼，隨便切換模型實現(xiàn)。

3.核心類：EmbeddingModel

嵌入 API 的核心抽象是 EmbeddingModel。

它是一個接口，定義了嵌入模型應該具備的能力。典型的方法有：

• 調(diào)用嵌入：接收文本或文檔，返回對應的向量表示。
• 返回 EmbeddingResponse：把模型生成的結(jié)果統(tǒng)一打包。

比如你用 OpenAiEmbeddingModel，它就是 EmbeddingModel 的一個具體實現(xiàn)。換成 OllamaEmbeddingModel 也沒問題，代碼不用大改。

這就是 SpringAI 的強大之處：通過抽象接口，把“變化的部分”交給實現(xiàn)，“不變的部分”交給我們開發(fā)者。

4.請求參數(shù)：EmbeddingRequest

要跟嵌入模型說話，我們得先準備好“輸入材料”。

這時登場的就是 EmbeddingRequest。

它的作用就像一張訂單單據(jù)，把我們要轉(zhuǎn)換的文本交給模型。常見參數(shù)有：

• input：待嵌入的文本，可以是一段話，也可以是多個文檔。
• options：模型選項，比如指定使用哪個 embedding 模型。

舉個例子，如果你要嵌入一句話：

圖片

是不是很直觀？這就是典型的 Spring 風格，寫起來很順手。

5.響應結(jié)果：EmbeddingResponse

模型跑完之后，返回的就是 EmbeddingResponse。

它里面包含了：

• 一個或多個 Embedding：每一條輸入文本對應一個向量。
• 使用的模型信息：方便你追蹤是哪個模型干的活。
• 元信息：比如消耗的 tokens，或者額外的調(diào)試數(shù)據(jù)。

開發(fā)者最常用的就是取出 Embedding，拿到向量后再存進數(shù)據(jù)庫或者計算相似度。

6.向量本體：Embedding

重點來了！

Embedding 就是嵌入結(jié)果的核心載體，它里面有：

• embedding 向量：一個高維數(shù)組，比如 [0.021, -0.543, 0.112, ...]。
• 索引：對應輸入的第幾條文本。

想象一下，如果你輸入了三段話，返回結(jié)果里就有三個 Embedding，每個都對應一段文本的向量化表示。

這個向量可不是普通數(shù)組，它能支撐起相似度計算。比如兩段話的余弦相似度越接近 1，就說明它們越相似。

7.可用實現(xiàn)

SpringAI 已經(jīng)幫我們封裝了多種實現(xiàn)：

• OpenAIEmbeddingModel：調(diào)用 OpenAI 的 text-embedding 系列模型。
• OllamaEmbeddingModel：支持本地部署的模型，比如 llama2 的 embedding 版本。
• VertexAIEmbeddingModel：對接 Google Vertex AI 的嵌入能力。
• BedrockEmbeddingModel：AWS Bedrock 提供的 embedding 模型。

未來還會有更多廠商接入，比如 Anthropic、智譜等。

更酷的是，如果你想接入自研模型，只要實現(xiàn) EmbeddingModel 接口就行，完全無縫銜接。

8.場景落地：知識庫問答

阿輝聽完我的解釋后，立刻跑去寫了個小 demo：

• 用戶輸入問題，比如：“如何在 SpringBoot 中使用 Redis 緩存？”
• 系統(tǒng)先把這句話丟給 EmbeddingModel，生成向量。
• 向量拿去查數(shù)據(jù)庫，找最相似的文檔。
• 最后把文檔交給大模型，總結(jié)出自然語言答案。

效果超神！以前搜不到答案的同事，現(xiàn)在一句話就能命中關(guān)鍵文檔。

這就是嵌入的魔力。

9.總結(jié)

今天我們從故事出發(fā)，完整走了一遍 SpringAI 的嵌入模型 API：

• 嵌入模型 API 概述：統(tǒng)一調(diào)用，適配多廠商。
• EmbeddingModel：核心接口，定義模型能力。
• EmbeddingRequest：輸入載體。
• EmbeddingResponse：結(jié)果打包。
• Embedding：向量本體。
• 可用實現(xiàn)：OpenAI、Ollama、Vertex、Bedrock 等。

一句話總結(jié)：嵌入模型 API 是 SpringAI 的“向量心臟”，讓 AI 能看懂語義，搞定相似度搜索和知識問答。

下次再聊，我會結(jié)合 pgvector，帶你做一個完整的“企業(yè)知識庫問答”小系統(tǒng)，把嵌入模型的威力發(fā)揮到極致。