跳到主要内容

嵌入模型 API

Deepseek 3.2 中英对照 Embedding Models Embeddings Model API

嵌入（Embeddings）是文本、图像或视频的数值表示，用于捕捉输入之间的关系。

嵌入通过将文本、图像和视频转换为浮点数数组（称为向量）来工作。这些向量旨在捕捉文本、图像和视频的含义。嵌入数组的长度称为向量的维度。

通过计算两段文本向量表示之间的数值距离，应用程序可以判断生成这些嵌入向量的对象之间的相似程度。

EmbeddingModel 接口专为在人工智能和机器学习中简化嵌入模型的集成而设计。其主要功能是将文本转换为数值向量，通常称为嵌入向量。这些嵌入向量在语义分析和文本分类等多种任务中至关重要。

EmbeddingModel 接口的设计主要围绕两大核心目标展开：

  • 可移植性：该接口确保了在各种嵌入模型之间的轻松适配性。它允许开发者以最小的代码改动在不同的嵌入技术或模型之间切换。这一设计理念与Spring的模块化和可互换性哲学相契合。

  • 简洁性：EmbeddingModel简化了将文本转换为嵌入向量的过程。通过提供像embed(String text)和embed(Document document)这样直接的方法，它消除了处理原始文本数据和嵌入算法的复杂性。这一设计选择使开发者，特别是AI领域的新手，能够更容易地在他们的应用中使用嵌入向量，而无需深入研究底层机制。

API 概览​

嵌入模型 API 构建于通用的 Spring AI 模型 API 之上，后者是 Spring AI 库的一部分。因此，EmbeddingModel 接口扩展了 Model 接口，该接口提供了一套用于与 AI 模型交互的标准方法。EmbeddingRequest 和 EmbeddingResponse 类分别继承自 ModelRequest 和 ModelResponse，用于封装嵌入模型的输入和输出。

Embedding API 进而被更高层级的组件所使用，用于实现针对特定嵌入模型的嵌入模型，例如 OpenAI、Titan、Azure OpenAI、Ollie 以及其他模型。

下图展示了 Embedding API 及其与 Spring AI 模型 API 和嵌入模型的关系：

embeddings api

EmbeddingModel​

本节提供有关 EmbeddingModel 接口及相关类的使用指南。

public interface EmbeddingModel extends Model<EmbeddingRequest, EmbeddingResponse> {

	@Override
	EmbeddingResponse call(EmbeddingRequest request);

	/**
	 * Embeds the given document's content into a vector.
	 * @param document the document to embed.
	 * @return the embedded vector.
	 */
	float[] embed(Document document);

	/**
	 * Embeds the given text into a vector.
	 * @param text the text to embed.
	 * @return the embedded vector.
	 */
	default float[] embed(String text) {
		Assert.notNull(text, "Text must not be null");
		return this.embed(List.of(text)).iterator().next();
	}

	/**
	 * Embeds a batch of texts into vectors.
	 * @param texts list of texts to embed.
	 * @return list of list of embedded vectors.
	 */
	default List<float[]> embed(List<String> texts) {
		Assert.notNull(texts, "Texts must not be null");
		return this.call(new EmbeddingRequest(texts, EmbeddingOptions.EMPTY))
			.getResults()
			.stream()
			.map(Embedding::getOutput)
			.toList();
	}

	/**
	 * Embeds a batch of texts into vectors and returns the {@link EmbeddingResponse}.
	 * @param texts list of texts to embed.
	 * @return the embedding response.
	 */
	default EmbeddingResponse embedForResponse(List<String> texts) {
		Assert.notNull(texts, "Texts must not be null");
		return this.call(new EmbeddingRequest(texts, EmbeddingOptions.EMPTY));
	}

	/**
	 * @return the number of dimensions of the embedded vectors. It is generative
	 * specific.
	 */
	default int dimensions() {
		return embed("Test String").size();
	}

}

嵌入方法提供多种选项，用于将文本转换为嵌入向量，支持单个字符串、结构化的Document对象或批量文本的处理。

提供了多种快捷方法用于文本嵌入，包括 embed(String text) 方法，该方法接收单个字符串并返回对应的嵌入向量。所有快捷方法均围绕 call 方法实现，该方法是调用嵌入模型的主要方法。

通常，嵌入会返回一个浮点数列表，以数值向量格式表示嵌入。

embedForResponse 方法提供更全面的输出，可能包含关于嵌入的额外信息。

dimensions 方法是开发者快速确定嵌入向量大小的便捷工具，这对于理解嵌入空间以及后续处理步骤至关重要。

EmbeddingRequest​

EmbeddingRequest 是一个 ModelRequest，它接收一个文本对象列表以及可选的嵌入请求选项。以下清单展示了 EmbeddingRequest 类的截断版本，其中不包含构造函数和其他实用方法：

public class EmbeddingRequest implements ModelRequest<List<String>> {
	private final List<String> inputs;
	private final EmbeddingOptions options;
	// other methods omitted
}

EmbeddingResponse​

EmbeddingResponse 类的结构如下：

public class EmbeddingResponse implements ModelResponse<Embedding> {

	private List<Embedding> embeddings;
	private EmbeddingResponseMetadata metadata = new EmbeddingResponseMetadata();
	// other methods omitted
}

EmbeddingResponse 类承载AI模型的输出结果，其中每个 Embedding 实例包含来自单个文本输入的向量数据。

EmbeddingResponse类还包含一个关于AI模型响应的EmbeddingResponseMetadata元数据。

Embedding​

Embedding 表示单个嵌入向量。

public class Embedding implements ModelResult<float[]> {
	private float[] embedding;
	private Integer index;
	private EmbeddingResultMetadata metadata;
	// other methods omitted
}

可用实现​

在内部，各种 EmbeddingModel 实现使用不同的底层库和 API 来执行嵌入任务。以下是 EmbeddingModel 的一些可用实现：

章节总结​