嵌入模型 API
嵌入是文本、图像或视频的数字表示形式，用于捕获输入之间的关系。
嵌入的工作原理是将文本、图像和视频转换为浮点数数组（称为向量）。 这些矢量旨在捕获文本、图像和视频的含义。 嵌入数组的长度称为向量的维数。
通过计算两段文本的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EmbeddingModel界面旨在与 AI 和机器学习中的嵌入模型直接集成。
它的主要功能是将文本转换为数字向量，通常称为嵌入向量。
这些嵌入对于各种任务（如语义分析和文本分类）至关重要。
EmbeddingModel 接口的设计围绕两个主要目标：
-
可移植性：此界面可确保在各种嵌入模型中轻松适应。 它允许开发人员在不同的嵌入技术或模型之间切换，只需更改最少的代码。 这种设计与 Spring 的模块化和可互换性理念一致。
-
简单性：EmbeddingModel 简化了将文本转换为嵌入的过程。 通过提供简单的方法，例如
embed(String text)和embed(Document document)，它消除了处理原始文本数据和嵌入算法的复杂性。这种设计选择使开发人员（尤其是 AI 新手）可以更轻松地在其应用程序中利用嵌入，而无需深入研究底层机制。
API 概述
嵌入模型 API 构建在通用 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，该接口提供了一组用于与 AI 模型交互的标准方法。这EmbeddingRequest和EmbeddingResponse类从ModelRequest和ModelResponse分别用于封装嵌入模型的输入和输出。
嵌入 API 反过来由更高级别的组件用于为特定嵌入模型（如 OpenAI、Titan、Azure OpenAI、Ollie 等）实施嵌入模型。
下图说明了嵌入 API 及其与 Spring AI 模型 API 和嵌入模型的关系：
EmbeddingModel
本节提供了EmbeddingModelinterface 和关联的类。
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();
}
}嵌入方法提供了将文本转换为嵌入、容纳单个字符串、结构化Document对象或文本批次。
提供了多种用于嵌入文本的快捷方式方法，包括embed(String text)方法，该方法采用单个字符串并返回相应的嵌入向量。
所有快捷键都是围绕call方法，这是调用嵌入模型的主要方法。
通常，嵌入向量会返回一个浮点数列表，以数字向量格式表示嵌入向量。
这embedForResponsemethod 提供更全面的输出，可能包括有关嵌入的其他信息。
dimensions 方法是开发人员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EmbeddingRequest是一个ModelRequest它接受文本对象列表和可选的嵌入请求选项。
下面的清单显示了 EmbeddingRequest 类的截断版本，不包括构造函数和其他 Util 方法：
public class EmbeddingRequest implements ModelRequest<List<String>> {
private final List<String> inputs;
private final EmbeddingOptions options;
// other methods omitted
}EmbeddingResponse
的结构EmbeddingResponseclass 的 API 如下所示：
public class EmbeddingResponse implements ModelResponse<Embedding> {
private List<Embedding> embeddings;
private EmbeddingResponseMetadata metadata = new EmbeddingResponseMetadata();
// other methods omitted
}这EmbeddingResponseclass 保存 AI 模型的输出，每个Embedding实例，其中包含来自单个文本输入的结果向量数据。
这EmbeddingResponse类还带有一个EmbeddingResponseMetadata有关 AI 模型响应的元数据。