spring-ai 第七模型介绍-向量模型

官网

通过将文本、图像和视频转换为浮点数组（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

spring-ai网址【https://docs.spring.io/spring-ai/reference/api/embeddings.html】

主要模块

EmbeddingModel

embeddings和chat区别核心区别对比表

特性	🗣️ Chat（聊天）	🧠 Embedding（嵌入）
核心目标	理解和生成自然语言，进行对话、问答、内容创作等。	将文本、图像等数据转换为计算机能高效理解的"向量"（一串数字），以捕捉其语义含义。
输入与输出	输入：用户问题或指令。输出：自然语言文本、代码等。	输入：一段文字、一个文档。输出：一个由浮点数组成的向量（即"嵌入"）。
主要接口	`ChatClient`	`EmbeddingClient`（或 `EmbeddingModel`）
API 用法	提供流畅的 API 来构建提示词，并获取自然语言回复。	提供 `embed(String text)` 等方法，将文本直接转换成向量。
典型应用场景	- 对话式 AI：智能客服、聊天机器人、虚拟个人助理。 - 内容生成：撰写邮件、代码、文章摘要等。 - 逻辑推理：根据指令进行逻辑分析并给出答案。	- 语义搜索：根据"意思"而非关键词匹配信息。 - RAG（检索增强生成）：从知识库中检索相关内容，辅助 Chat 模型回答。 - 文本分类/聚类：按主题自动归类文档。
技术原理	基于生成式大语言模型，经过海量文本训练，学习如何预测和生成有意义的文本序列。	通过嵌入模型将数据映射到高维向量空间，语义越相近的内容，其向量在空间中的距离越近。
协作关系	Chat 模型通常不直接处理知识库，而是依赖 Embedding 处理后的结果来获取上下文信息。	Embedding 模型只为 Chat 模型提供语义理解后的信息，不负责生成回复。

源码示例

https://gitee.com/kcnf_open/spring-ai-sample/tree/master/spring-ai/spring-ai-sample06

yaml配置

spring:
ai:
zhipuai:
api-key: ${ZHIPUAI_API_KEY}
chat:
options:
model: glm-4v-flash
embedding:
options:
model: embedding-3 # 嵌入模型
测试代码

127.0.0.1:8082/api/embedding/similarity

复制代码

{
    "text1": "Java是一门编程语言",
    "text2": "外国人"
}

两种验证结果