小崔盯着屏幕："Embedding 不就是把一句话变成一个浮点数数组吗，为什么能表示语义？"白歌说："你不需要懂 Transformer 数学，你只需要知道：两段语义相似的文本，它们的向量在空间中角度接近。"

EmbeddingModel 与文本向量化

定义与作用

EmbeddingModel 是 Spring AI 的文本向量化接口——将一段自然语言文本转换为固定维度的浮点数数组（float[]）。这个数组就是"语义指纹"。

public interface EmbeddingModel {
    EmbeddingResponse call(EmbeddingRequest request);
    
    default Embedding embed(String text) {
        // 便捷方法：单文本向量化
    }
    
    List<Embedding> embed(List<String> texts);  // 批量
    float[] embed(String text, EmbeddingOptions options);  // 带参数
}

核心价值：向量化是 AI 理解私有文档的前提。没有 Embedding，就没有语义搜索、没有 RAG。

核心原理：文本到向量的转换流程

图释：文本经过 Embedding 模型（通常调用 OpenAI API）转换为 1536 维向量。每个维度没有"可读"的物理含义，但整体向量在空间中编码了文本的语义。

不同模型的向量维度对比

模型	维度	最大输入 Token	适用场景
text-embedding-3-small	1536	8191	通用，性价比高
text-embedding-3-large	3072	8191	高精度语义搜索
text-embedding-ada-002	1536	8191	旧版本，兼容
Ollama nomic-embed-text	768	8192	本地部署，免费

维度越高，语义表达能力越强，但存储成本也越高。对于大多数企业场景，1536 维已经足够。

完整示例一：课程描述向量化

场景说明

飞翔科技学生管理系统需要将课程描述向量化，为后续课程语义搜索做准备。

关键代码

@RestController
public class EmbeddingDemoController {

    private final EmbeddingModel embeddingModel;

    public EmbeddingDemoController(EmbeddingModel embeddingModel) {
        this.embeddingModel = embeddingModel;
    }

    @GetMapping("/embed")
    public Map<String, Object> embedText(@RequestParam String text) {
        // 单文本向量化
        Embedding embedding = embeddingModel.embed(text);
        
        Map<String, Object> result = new HashMap<>();
        result.put("input", text);
        result.put("dimensions", embedding.getOutput().length);
        result.put("first_5_values", Arrays.copyOf(embedding.getOutput(), 5));
        result.put("embedding_length", embedding.getOutput().length);
        return result;
    }

    @GetMapping("/embed/batch")
    public Map<String, Object> embedBatch() {
        // 批量向量化——一次 API 调用处理多条文本
        List<String> courses = List.of(
            "高等数学：微积分、线性代数和概率论基础",
            "数据结构：链表、树、图等数据组织方式",
            "操作系统：进程管理、内存管理和文件系统"
        );
        
        List<Embedding> embeddings = embeddingModel.embed(courses);
        
        // 计算结果数量
        Map<String, Object> result = new HashMap<>();
        result.put("count", embeddings.size());
        result.put("dimensions_per_vector", embeddings.get(0).getOutput().length);
        return result;
    }
}

运行结果

GET /embed?text=人工智能导论：机器学习与深度学习基础

{
  "input": "人工智能导论：机器学习与深度学习基础",
  "dimensions": 1536,
  "first_5_values": [-0.023, 0.145, -0.089, 0.056, 0.002],
  "embedding_length": 1536
}

完整示例二：相似课程检测

场景说明

孙鹤提了个 "课程去重" 需求——同一门课可能被不同老师以不同标题提交，需要用向量相似度检测。

关键代码

@Service
public class CourseSimilarityService {

    private final EmbeddingModel embeddingModel;

    public CourseSimilarityService(EmbeddingModel embeddingModel) {
        this.embeddingModel = embeddingModel;
    }

    /**
     * 计算两段课程描述之间的余弦相似度
     * 返回值范围 [-1, 1]，接近 1 表示语义高度相似
     */
    public double cosineSimilarity(String text1, String text2) {
        float[] v1 = embeddingModel.embed(text1).getOutput();
        float[] v2 = embeddingModel.embed(text2).getOutput();
        return dotProduct(v1, v2) / (norm(v1) * norm(v2));
    }

    private double dotProduct(float[] a, float[] b) {
        double sum = 0;
        for (int i = 0; i < a.length; i++) {
            sum += a[i] * b[i];
        }
        return sum;
    }

    private double norm(float[] v) {
        double sum = 0;
        for (float x : v) sum += x * x;
        return Math.sqrt(sum);
    }
}

运行结果

// 测试1：同一门课的不同描述
similarity = courseSimilarityService.cosineSimilarity(
    "人工智能导论：涵盖机器学习、深度学习和强化学习",
    "AI基础：神经网络的原理与实践"
);
// 结果：0.92  ← 高度相似（尽管措辞完全不同）

// 测试2：不同方向的课程
similarity = courseSimilarityService.cosineSimilarity(
    "人工智能导论：机器学习基础",
    "中国现代文学：鲁迅与五四新文化运动"
);
// 结果：0.12  ← 语义不相关

易错场景与面试考点

易错场景一：向量维度不匹配

// ❌ 错误：用 text-embedding-3-small (1536维) 生成的向量
// 存入配置为 dimensions=768 的向量库
// 结果：PostgreSQL 插入时报错 "expected 768 dimensions, got 1536"

问题分析

Embedding 模型的输出维度必须与 VectorStore 配置的维度一致。

# ✅ 正确：确保维度匹配
spring:
  ai:
    openai:
      embedding:
        model: text-embedding-3-small   # 1536 维
    vectorstore:
      pgvector:
        dimensions: 1536                 # 与模型维度一致

面试高频题

Q1：Embedding 向量为什么能表示语义？

嵌入模型在训练时，通过让相似上下文的文本在向量空间中靠近、不相似的远离来优化参数。最终的结果是：语义相近的文本（如"北京天气"和"首都气温"）在向量空间中的夹角很小（余弦相似度接近 1），而语义无关的文本夹角接近 90 度。

Q2：为什么不用 TF-IDF 而要用 Embedding？

TF-IDF 基于词频统计，无法处理同义词（"汽车"和"轿车"被视为完全不同的词）。Embedding 模型能理解语义等价，精度显著更高。

本章小结

EmbeddingModel.embed(text) 将文本转为 float[] 向量
不同模型的向量维度不同（1536 / 3072 / 768），需与 VectorStore 配置一致
余弦相似度是判断语义相似度的标准度量
批量向量化可减少 API 调用次数，降低成本