嵌入模型 API
嵌入是文本、图像或视频的数字表示，用于捕获输入之间的关系。
嵌入通过将文本、图像和视频转换为浮点数数组（称为向量）来工作。
这些向量旨在捕获文本、图像和视频的含义。
嵌入数组的长度称为向量的维度。
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。
EmbeddingModel 接口旨在与 AI 和机器学习中的嵌入模型进行直接集成。
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各种任务至关重要。
EmbeddingModel 接口的设计围绕两个主要目标：
-
可移植性：此接口确保跨各种嵌入模型的轻松适应性。 它允许开发人员在不同的嵌入技术或模型之间切换，只需最少的代码更改。 这种设计与 Spring 的模块化和可互换性理念相符。
-
简单性：EmbeddingModel 简化了将文本转换为嵌入的过程。 通过提供
embed(String text)和embed(Document document)等直接方法，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，尤其是那些刚接触 AI 的开发人员，更容易在其应用程序中使用嵌入，而无需深入研究底层机制。
API 概述
嵌入模型 API 构建在通用的 Spring AI 模型 API 之上，该 API 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。EmbeddingRequest 和 EmbeddingResponse 类扩展自 ModelRequest 和 ModelResponse，分别用于封装嵌入模型的输入和输出。
嵌入 API 反过来又被更高级别的组件用于为特定嵌入模型实现嵌入模型，例如 OpenAI、Titan、Azure OpenAI、Ollie 等。
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 EmbeddingModel 接口和相关类的指南。
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();
}
}嵌入方法提供各种选项用于将文本转换为嵌入，支持单个字符串、结构化的 Document 对象或批处理文本。
提供了多个用于嵌入文本的快捷方法，包括 embed(String text) 方法，该方法接受单个字符串并返回相应的嵌入向量。
所有快捷方式都围绕 call 方法实现，call 方法是调用嵌入模型的主要方法。
通常，嵌入返回浮点数列表，表示数值向量格式的嵌入。
embedForResponse 方法提供更全面的输出，可能包括有关嵌入的额外信息。
dimensions 方法是一个方便的工具，供开发人员快速确定嵌入向量的大小，这对于理解嵌入空间和后续处理步骤很重要。
EmbeddingRequest
EmbeddingRequest 是一个 ModelRequest，它接受文本对象列表和可选的嵌入请求选项。
以下列表显示了 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
}EmbeddingResponse
EmbeddingResponse 类的结构如下：
public class EmbeddingResponse implements ModelResponse<Embedding> {
private List<Embedding> embeddings;
private EmbeddingResponseMetadata metadata = new EmbeddingResponseMetadata();
// other methods omitted
}EmbeddingResponse 类包含 AI 模型的输出，每个 Embedding 实例都包含单个文本输入的向量结果数据。
EmbeddingResponse 类还包含有关 AI 模型响应的 EmbeddingResponseMetadata 元数据。