Titan 嵌入
提供 Bedrock Titan Embedding 模型。通过全托管 API，Amazon Titan 基础模型（FMs）为客户提供涵盖图像、多模态嵌入以及文本模型的多种高性能选择。Amazon Titan 模型由 AWS 创建，并基于大规模数据集进行预训练，使其成为功能强大、通用的模型，能够支持多种用例，同时支持 AI 的负责任使用。您可以直接使用这些模型，或使用自己的数据对其进行私有化定制。
Bedrock Titan Embedding 支持 Text 和 Image 嵌入。
Bedrock Titan Embedding 不支持批量嵌入。
AWS Bedrock Titan Model Page 和 Amazon Bedrock User Guide 包含如何使用 AWS 托管模型的详细信息。
先决条件
请参阅 Amazon Bedrock 的 Spring AI 文档 以设置 API 访问权限。
添加仓库和 BOM
Spring AI 构件发布在 Maven Central 和 Spring Snapshot 仓库中。请参阅 构件仓库 部分，将这些仓库添加到您的构建系统中。
为了辅助依赖管理，Spring AI 提供了一个 BOM（物料清单），以确保整个项目中使用的 Spring AI 版本保持一致。请参考依赖管理部分，将 Spring AI BOM 添加到您的构建系统中。
自动配置
Spring AI 的自动配置和 starter 模块的构件名称已发生重大变更。请参阅 升级说明 以获取更多信息。
在项目的 Maven pom.xml 文件中添加 spring-ai-starter-model-bedrock 依赖项：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-bedrock</artifactId>
</dependency>
或你的 Gradle build.gradle 构建文件。
dependencies {
implementation 'org.springframework.ai:spring-ai-starter-model-bedrock'
}
请参考 依赖管理 章节，以在你的构建文件中添加 Spring AI BOM。
启用 Titan 嵌入支持
默认情况下，Titan 嵌入模型处于禁用状态。要启用它，请在应用程序配置中将 spring.ai.model.embedding 属性设置为 bedrock-titan：
spring.ai.model.embedding=bedrock-titan
或者，您可以使用 Spring 表达式语言（SpEL）来引用环境变量：
# In application.yml
spring:
ai:
model:
embedding: ${AI_MODEL_EMBEDDING}
# In your environment or .env file
export AI_MODEL_EMBEDDING=bedrock-titan
你还可以在启动应用程序时通过 Java 系统属性来设置此属性：
java -Dspring.ai.model.embedding=bedrock-titan -jar your-application.jar
嵌入属性
前缀 spring.ai.bedrock.aws 是用于配置与 AWS Bedrock 连接的属性前缀。
| 属性 | 描述 | 默认值 |
|---|---|---|
| spring.ai.bedrock.aws.region | 使用的 AWS 区域。 | us-east-1 |
| spring.ai.bedrock.aws.access-key | AWS 访问密钥。 | - |
| spring.ai.bedrock.aws.secret-key | AWS 私有密钥。 | - |
| spring.ai.bedrock.aws.profile.name | AWS 配置文件名称。 | - |
| spring.ai.bedrock.aws.profile.credentials-path | AWS 凭证文件路径。 | - |
| spring.ai.bedrock.aws.profile.configuration-path | AWS 配置文件路径。 | - |
嵌入（embedding）自动配置项的启用和禁用现在通过前缀为 spring.ai.model.embedding 的顶层属性进行配置。
要启用：spring.ai.model.embedding=bedrock-titan （默认已启用）
要禁用：spring.ai.model.embedding=none （或任何不匹配 bedrock-titan 的值）
此变更旨在支持多模型配置。
前缀 spring.ai.bedrock.titan.embedding（在 BedrockTitanEmbeddingProperties 中定义）是用于配置 Titan 嵌入模型实现的属性前缀。
| 属性 | 描述 | 默认值 |
|---|---|---|
| spring.ai.bedrock.titan.embedding.enabled (已移除且不再有效) | 启用或禁用对 Titan 嵌入的支持 | false |
| spring.ai.model.embedding | 启用或禁用对 Titan 嵌入的支持 | bedrock-titan |
| spring.ai.bedrock.titan.embedding.model | 要使用的模型 ID。请参阅 TitanEmbeddingModel 了解支持的模型。 | amazon.titan-embed-image-v1 |
支持的值包括：amazon.titan-embed-image-v1、amazon.titan-embed-text-v1 和 amazon.titan-embed-text-v2:0。也可以在 AWS Bedrock 基础模型 ID 文档 中找到 Model ID 值。
运行时选项
BedrockTitanEmbeddingOptions.java 提供模型配置，例如 input-type。启动时，可以通过 BedrockTitanEmbeddingOptions.builder().inputType(type).build() 方法或 spring.ai.bedrock.titan.embedding.input-type 属性来配置默认选项。
在运行时，你可以通过在 EmbeddingRequest 调用中添加新的、针对特定请求的选项来覆盖默认选项。例如，要为某个特定请求覆盖默认的 temperature：
EmbeddingResponse embeddingResponse = embeddingModel.call(
new EmbeddingRequest(List.of("Hello World", "World is big and salvation is near"),
BedrockTitanEmbeddingOptions.builder()
.inputType(InputType.TEXT)
.build()));
示例控制器
使用 Create 创建一个新的 Spring Boot 项目，并将 spring-ai-starter-model-bedrock 添加到您的 pom（或 gradle）依赖中。
在 src/main/resources 目录下添加 application.properties 文件，以启用并配置 Titan Embedding 模型：
spring.ai.bedrock.aws.region=eu-central-1
spring.ai.bedrock.aws.access-key=${AWS_ACCESS_KEY_ID}
spring.ai.bedrock.aws.secret-key=${AWS_SECRET_ACCESS_KEY}
spring.ai.model.embedding=bedrock-titan
将 regions、access-key 和 secret-key 替换为您的 AWS 凭证。
这将创建一个 EmbeddingController 实现，您可以将其注入到类中。下面是一个使用聊天模型进行文本生成的简单 @Controller 类示例。
@RestController
public class EmbeddingController {
private final EmbeddingModel embeddingModel;
@Autowired
public EmbeddingController(EmbeddingModel embeddingModel) {
this.embeddingModel = embeddingModel;
}
@GetMapping("/ai/embedding")
public Map embed(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) {
EmbeddingResponse embeddingResponse = this.embeddingModel.embedForResponse(List.of(message));
return Map.of("embedding", embeddingResponse);
}
}
手动配置
BedrockTitanEmbeddingModel 实现了 EmbeddingModel 并使用 低层 TitanEmbeddingBedrockApi 客户端 连接 Bedrock Titan 服务。
在项目的 Maven pom.xml 文件中添加 spring-ai-bedrock 依赖项：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-bedrock</artifactId>
</dependency>
或者到您的 Gradle build.gradle 构建文件中。
dependencies {
implementation 'org.springframework.ai:spring-ai-bedrock'
}
请参见 Dependency Management 部分，将 Spring AI BOM 添加到您的构建文件中。
接下来，创建一个 BedrockTitanEmbeddingModel，并使用它进行文本嵌入：
var titanEmbeddingApi = new TitanEmbeddingBedrockApi(
TitanEmbeddingModel.TITAN_EMBED_IMAGE_V1.id(), Region.US_EAST_1.id());
var embeddingModel = new BedrockTitanEmbeddingModel(this.titanEmbeddingApi);
EmbeddingResponse embeddingResponse = this.embeddingModel
.embedForResponse(List.of("Hello World")); // NOTE titan does not support batch embedding.
TitanEmbeddingBedrockApi 低层客户端
TitanEmbeddingBedrockApi 提供了基于 AWS Bedrock Titan Embedding models 的轻量级 Java 客户端。
下图中的类图展示了 TitanEmbeddingBedrockApi 接口及其构建模块：
TitanEmbeddingBedrockApi 支持 amazon.titan-embed-image-v1 和 amazon.titan-embed-image-v1 模型，用于单条和批量嵌入计算。
以下是一个简单的代码片段，展示如何通过编程方式使用该 API：
TitanEmbeddingBedrockApi titanEmbedApi = new TitanEmbeddingBedrockApi(
TitanEmbeddingModel.TITAN_EMBED_TEXT_V1.id(), Region.US_EAST_1.id());
TitanEmbeddingRequest request = TitanEmbeddingRequest.builder()
.withInputText("I like to eat apples.")
.build();
TitanEmbeddingResponse response = this.titanEmbedApi.embedding(this.request);
要嵌入图像，需要将其转换为 base64 格式：
TitanEmbeddingBedrockApi titanEmbedApi = new TitanEmbeddingBedrockApi(
TitanEmbeddingModel.TITAN_EMBED_IMAGE_V1.id(), Region.US_EAST_1.id());
byte[] image = new DefaultResourceLoader()
.getResource("classpath:/spring_framework.png")
.getContentAsByteArray();
TitanEmbeddingRequest request = TitanEmbeddingRequest.builder()
.withInputImage(Base64.getEncoder().encodeToString(this.image))
.build();
TitanEmbeddingResponse response = this.titanEmbedApi.embedding(this.request);