首页 › Spring AI › 多模态与 Embedding

什么是 Embedding

Embedding（嵌入/向量化）是将文本转换为浮点数向量的过程，使得语义相近的文本在向量空间中的距离更近。

EmbeddingClient

@Service
public class EmbeddingService {

    private final EmbeddingClient embeddingClient;

    public EmbeddingService(EmbeddingClient embeddingClient) {
        this.embeddingClient = embeddingClient;
    }

    // 单文本向量化
    public float[] embed(String text) {
        return embeddingClient.embed(text);
    }

    // 批量向量化
    public List<float[]> embedBatch(List<String> texts) {
        List<List<Double>> embeddings = embeddingClient.embed(texts);
        return embeddings.stream()
            .map(this::toFloatArray)
            .toList();
    }

    // 文档对象向量化
    public float[] embedDocument(Document doc) {
        return embeddingClient.embed(doc);
    }

    private float[] toFloatArray(List<Double> doubles) {
        float[] result = new float[doubles.size()];
        for (int i = 0; i < doubles.size(); i++) {
            result[i] = doubles.get(i).floatValue();
        }
        return result;
    }
}

Embedding 配置

OpenAI

spring:
  ai:
    openai:
      api-key: ${OPENAI_API_KEY}
      embedding:
        options:
          model: text-embedding-ada-002   # 1536 维

Ollama（本地）

spring:
  ai:
    ollama:
      base-url: http://localhost:11434
      embedding:
        options:
          model: nomic-embed-text     # 本地向量模型

# 拉取本地 Embedding 模型
ollama pull nomic-embed-text

相似度计算

@Component
public class SimilarityCalculator {

    // 余弦相似度（0~1，1 表示完全相同）
    public double cosineSimilarity(float[] vectorA, float[] vectorB) {
        double dotProduct = 0;
        double normA = 0;
        double normB = 0;
        for (int i = 0; i < vectorA.length; i++) {
            dotProduct += vectorA[i] * vectorB[i];
            normA += Math.pow(vectorA[i], 2);
            normB += Math.pow(vectorB[i], 2);
        }
        return dotProduct / (Math.sqrt(normA) * Math.sqrt(normB));
    }

    // 文本语义相似度
    public double textSimilarity(String textA, String textB) {
        float[] vecA = embeddingService.embed(textA);
        float[] vecB = embeddingService.embed(textB);
        return cosineSimilarity(vecA, vecB);
    }
}

文档相似度搜索

@Service
public class SemanticSearchService {

    private final EmbeddingClient embeddingClient;
    private final List<Document> documents = new ArrayList<>();

    // 添加文档
    public void addDocument(String id, String text, Map<String, Object> metadata) {
        float[] embedding = embeddingClient.embed(text);
        documents.add(new Document(id, text, metadata, embedding));
    }

    // 语义搜索
    public List<ScoredDocument> search(String query, int topK) {
        float[] queryEmbedding = embeddingClient.embed(query);
        return documents.stream()
            .map(doc -> new ScoredDocument(
                doc, cosineSimilarity(queryEmbedding, doc.embedding())))
            .sorted((a, b) -> Double.compare(b.score(), a.score()))
            .limit(topK)
            .toList();
    }

    record Document(String id, String text, Map<String, Object> metadata, float[] embedding) {}
    record ScoredDocument(Document document, double score) {}
}

小结

• Embedding 将文本转为浮点数向量，语义相近的文本向量距离近。
• EmbeddingClient 提供 embed(String) 和 embed(List<String>) 接口。
• OpenAI 用 text-embedding-ada-002（1536 维），Ollama 用 nomic-embed-text。
• 余弦相似度衡量向量之间的语义相似度（0~1）。
• 嵌入（Embedding）是构建 RAG 和语义搜索的基础。
• 本地开发推荐 Ollama + nomic-embed-text，生产推荐 OpenAI。

上一节：图像理解 下一节：VectorStore 与 PGVector

贡献者: 布欧-Lewyon