最近有小伙伴問(wèn)我，AI 里的“嵌入模型 API”到底是干嘛的？其實(shí)，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(kāi)頭一路聊到落地實(shí)現(xiàn)，保證看完你能用得飛起。

1.故事開(kāi)場(chǎng)：為什么要有嵌入模型？

前段時(shí)間，我的同事阿輝遇到一個(gè)經(jīng)典問(wèn)題：

公司知識(shí)庫(kù)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(lái)找我。

我說(shuō)：“這事啊，用嵌入（Embedding）就能解決?！?/p>

嵌入是什么？簡(jiǎn)單理解：就是把自然語(yǔ)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(dòng)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(fù)雜的細(xì)節(jié)都封裝好了，我們只需要會(huì)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(wú)論你用的是 OpenAI、Ollama 還是本地模型，調(diào)用方式都一致。
• 標(biāo)準(zhǔn)化輸入輸出：請(qǐng)求就是 EmbeddingRequest，響應(yīng)就是 EmbeddingResponse。
• 結(jié)果可復(fù)用：嵌入的結(jié)果可以直接拿去做向量數(shù)據(jù)庫(kù)檢索（比如 Milvus、Pinecone、Postgres+pgvector），也能做相似度計(jì)算。

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

一句話總結(jié)：寫一次代碼，隨便切換模型實(shí)現(xiàn)。

3.核心類：EmbeddingModel

嵌入 API 的核心抽象是 EmbeddingModel。

它是一個(gè)接口，定義了嵌入模型應(yīng)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(duì)應(yīng)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(gè)具體實(shí)現(xiàn)。換成 OllamaEmbeddingModel 也沒(méi)問(wèn)題，代碼不用大改。

這就是 SpringAI 的強(qiáng)大之處：通過(guò)抽象接口，把“變化的部分”交給實(shí)現(xiàn)，“不變的部分”交給我們開(kāi)發(fā)者。

4.請(qǐng)求參數(shù)：EmbeddingRequest

要跟嵌入模型說(shuō)話，我們得先準(zhǔn)備好“輸入材料”。

這時(shí)登場(chǎng)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(jiàn)參數(shù)有：

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

舉個(gè)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(fēng)格，寫起來(lái)很順手。

5.響應(yīng)結(jié)果：EmbeddingResponse

模型跑完之后，返回的就是 EmbeddingResponse。

它里面包含了：

• 一個(gè)或多個(gè) Embedding：每一條輸入文本對(duì)應(yīng)一個(gè)向量。
• 使用的模型信息：方便你追蹤是哪個(gè)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(kāi)發(fā)者最常用的就是取出 Embedding，拿到向量后再存進(jìn)數(shù)據(jù)庫(kù)或者計(jì)算相似度。

6.向量本體：Embedding

重點(diǎn)來(lái)了！

Embedding 就是嵌入結(jié)果的核心載體，它里面有：

• embedding 向量：一個(gè)高維數(shù)組，比如 [0.021, -0.543, 0.112, ...]。
• 索引：對(duì)應(yīng)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(gè) Embedding，每個(gè)都對(duì)應(yīng)一段文本的向量化表示。

這個(gè)向量可不是普通數(shù)組，它能支撐起相似度計(jì)算。比如兩段話的余弦相似度越接近 1，就說(shuō)明它們?cè)较嗨啤?/p>

7.可用實(shí)現(xiàn)

SpringAI 已經(jīng)幫我們封裝了多種實(shí)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(duì)接 Google Vertex AI 的嵌入能力。
• BedrockEmbeddingModel：AWS Bedrock 提供的 embedding 模型。

未來(lái)還會(huì)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(shí)現(xiàn) EmbeddingModel 接口就行，完全無(wú)縫銜接。

8.場(chǎng)景落地：知識(shí)庫(kù)問(wèn)答

阿輝聽(tīng)完我的解釋后，立刻跑去寫了個(gè)小 demo：

• 用戶輸入問(wèn)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(kù)，找最相似的文檔。
• 最后把文檔交給大模型，總結(jié)出自然語(yǔ)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(shí)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(yǔ)義，搞定相似度搜索和知識(shí)問(wèn)答。

下次再聊，我會(huì)結(jié)合 pgvector，帶你做一個(gè)完整的“企業(yè)知識(shí)庫(kù)問(wèn)答”小系統(tǒng)，把嵌入模型的威力發(fā)揮到極致。