嵌入是文本、图像或视频的数值表示，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组，称为向量来实现。 这些矢量旨在捕捉文本、图片和视频的含义。 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，应用程序可以确定用于生成嵌入向量的对象之间的相似性。
这嵌入模型界面设计用于与嵌入模型的AI和机器学习直接集成。 其主要功能是将文本转换为数值向量，通常称为嵌入。 这些嵌入对于语义分析和文本分类等多种任务至关重要。
EmbeddingModel 界面的设计围绕两个主要目标展开：
可移植性：该界面确保了在各种嵌入模型间的轻松适应性。 它允许开发者以最小的代码修改在不同的嵌入技术或模型之间切换。 这种设计与Spring关于模块化和可更换性的理念相契合。
简洁性：EmbeddingModel简化了将文本转换为嵌入的过程。 通过提供像这样的简单方法来实现嵌入（字符串文本）和嵌入（文档文档）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，尤其是新手AI用户，更容易在应用中利用嵌入，而无需深入底层机制。
API 概述
嵌入模型 API 建立在通用的 Spring AI 模型 API 之上，后者是 Spring AI 库的一部分。 因此，嵌入模型接口扩展了型界面，提供了一套标准的方法用于与AI模型交互。这嵌入请求和嵌入响应类别从ModelRequest和模型响应分别用于封装嵌入模型的输入和输出。
嵌入API被更高级别组件用于实现特定嵌入模型的嵌入模型，如OpenAI、Titan、Azure OpenAI、Ollie等。
下图展示了嵌入 API 及其与 Spring AI 模型 API 和嵌入模型的关系：
嵌入模型
关于嵌入模型接口及相关类。
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(); }}
嵌入方法提供了多种将文本转换为嵌入、容纳单字符串、结构化的选项公文对象，或文本批次。
提供了多种嵌入文本的快捷方式，包括嵌入（字符串文本）方法，取单个字符串返回对应的嵌入向量。 所有快捷方式都围绕叫方法，是调用嵌入模型的主要方法。
通常，嵌入会返回一个浮点列表，这些浮点以数值向量格式表示。
这嵌入响应方法提供更全面的输出，可能包含关于嵌入的额外信息。
尺寸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和后续处理步骤非常重要。
嵌入请求
这嵌入请求是ModelRequest它需要文本对象列表和可选的嵌入请求选项。 以下列表展示了 EmbeddingRequest 类的截断版本，不包括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}
嵌入响应
结构嵌入响应类别如下：
public class EmbeddingResponse implements ModelResponse<Embedding> { private List<Embedding> embeddings; private EmbeddingResponseMetadata metadata = new EmbeddingResponseMetadata(); // other methods omitted}
这嵌入响应类存储AI模型的输出，每个嵌入包含单一文本输入的结果向量数据的实例。
这嵌入响应类别还携带A嵌入响应元数据关于AI模型响应的元数据。
嵌入
这嵌入表示单个嵌入矢量。
public class Embedding implements ModelResult<float[]> { private float[] embedding; private Integer index; private EmbeddingResultMetadata metadata; // other methods omitted}
可用实现
内部各项嵌入模型实现使用不同的底层库和API来执行嵌入任务。以下是一些可用的实现嵌入模型实现：
