new AllMiniLmL6V2EmbeddingModel()； 相关方法介绍

private float[] langchain4jEmbedding(String text) {
        try {
            EmbeddingModel model = new AllMiniLmL6V2EmbeddingModel();
            Response response = model.embed(text);
            return response.content().vector();
        } catch (Exception e) {
            log.error("LangChain4j embedding 失败: {}", e.getMessage());
            return mockEmbedding(text);
        }
    }

整体一句话总结

输入一段文本 text，使用 LangChain4j 内置的 All‑MiniLM‑L6‑v2 本地ONNX模型 ，把文字转换成浮点型向量数组(float\[\]) ；

如果中间出现任何异常，打印错误日志，返回一段模拟的假向量作为降级兜底，不让程序崩溃。

逐行拆解

private float[] langchain4jEmbedding(String text) {

私有方法，接收字符串文本，返回浮点向量数组，向量就是文本的数字语义表示（RAG知识库检索用）

EmbeddingModel model = new AllMiniLmL6V2EmbeddingModel();

1. AllMiniLmL6V2EmbeddingModel：LangChain4j自带的本地Embedding模型（all‑MiniLM‑L6‑v2）
2. ✅不需要调用OpenAI/远程大模型接口，本地运行ONNX，不上传文本到外网>

⚠️注意：第一次new对象时，程序会自动从网络下载onnx模型缓存到本地，断网首次运行会报错。如果你已经手动下载模型文件，可以改成本地加载方式。

Response<Embedding> response = model.embed(text);

• model.embed(text)：文本向量化

• 模型读取文字，分析语义，生成Embedding（嵌入向量）

• 返回的Response<Embedding>封装了向量+一些元信息

  return response.content().vector();

• response.content()拿到Embedding对象

• .vector()取出float[]浮点数组，也就是最终向量>

后续用途：存入Milvus向量库、做相似度比对，实现文档检索(RAG)

catch (Exception e) {
    log.error("LangChain4j embedding 失败，降级使用 mock: {}", e.getMessage());
    return mockEmbedding(text);
}

容错降级逻辑

只要向量化抛出异常（常见场景：

首次启动无法下载onnx模型、模型文件损坏、内存不足、文件权限问题等）

1. 打印error日志记录原因
2. 调用mockEmbedding(text)返回假的占位向量，避免接口抛出异常中断业务流程

典型适用场景（RAG）

1. 文档切片后，调用此方法生成向量存入Milvus
2. 用户提问时，问题文本调用此方法得到向量
3. 使用向量在Milvus中做相似度检索，找到语义最接近的文档片段