本篇对嵌入模型的概念、Spring AI 框架对支持嵌入模型的设计，并对其源码进行分析，最后对API接口进行使用。

---

---

Embedding模型是RAG（Retrieval-Augmented Generation）技术的核心。也是大模型应用落地必不可少的技术。

---

什么是Embedding模型

Embedding模型是指将高维度的数据（例如文字、图片、视频）映射到低维度空间的过程。简单来说，embedding向量就是一个N维的实值向量，它将输入的数据表示成一个连续的数值空间中的点。 如图 通俗易懂的描述：嵌入就相当于给文本穿上了“数字化”的外衣，目的是让机器更好的理解和处理。

Embedding 起源于 Word Embedding。

• 横向发展：Word Embedding -> Item Embedding -> Entity Embedding -> Graph Embedding -> Position Embedding -> Segment Embedding。
• 纵向发展：由静态的Word Embedding（如Word2Vec、GloVe和FastText） -> 动态预训练模型（如ELMo、BERT、GPT、GPT-2、GPT-3、ALBERT、XLNet等）。大型语言模型可以生成上下文相关的 embedding 表示，可以更好地捕捉单词的语义和上下文信息。

使用场景

• 自然语言处理： 将单词或句子转换成向量表示，用于文本分类，机器翻译，情感分析等任务。
• 推荐系统：将用户和产品映射成向量表示，从而能够更好地理解用户的喜好和匹配物品。
• 图像处理：将图像转换成向量表示，用于图像分类，对象检测等任务。

解决问题

• 降维：在高维度空间中，数据点之间可能存在很大的距离，使得样本稀疏，嵌入模型可以减少数据稀疏性。
• 捕捉语义信息：Embedding不仅仅是降维，更重要的是，它能够捕捉到数据的语义信息。语义相近的词在向量上也是相近的
• 特征表示：原始数据的特征往往难以直接使用，通过嵌入模型可以将特征转换成更有意义的表示。
• 计算效率：在低维度空间中对数据进行处理和分析往往更加高效。

Spring AI 框架集成的嵌入模型

• OpenAI Embeddings

  • text-embedding-3-large
  • text-embedding-3-small
  • text-embedding-ada-002

• Azure OpenAI Embeddings

  • text-embedding-ada-002

• Cohere Embeddings

  • cohere.embed-multilingual-v3
  • cohere.embed-english-v3

• Titan Embeddings

  • amazon.titan-embed-image-v1
  • amazon.titan-embed-text-v1
  • amazon.titan-embed-text-v2:0

• Mistral AI Embeddings

  • mistral-embed

• VertexAI Embeddings

  • embedding-gecko-001

• ZhiPuAI Embeddings

  • Embedding-2

• PostgresML Embeddings

  • distilbert-base-uncased

• QianFan 【2024/6/22 新增支持】

  • embedding-v1
  • bge_large_zh
  • bge_large_en
  • tao_8k

在 Spring AI 框架中仅支持了国内的智普嵌入模型，对于国内其它的嵌入模型没有支持，如果想使用其它模型，自行接入。

在Huggingface上可以看到对嵌入模型的性能对比；

嵌入模型源码分析

设计理念

Spring AI 以可移植性 和简单性 的设计理念，统一的抽象EmbeddingModel，旨在与AI和机器学习中的嵌入模型直接集成。

• 可移植性：可确保在各种嵌入模型之间轻松适应。它允许开发人员在不同的嵌入技术或模型之间切换，只需最少的代码更改。这种设计符合Spring的模块化和可互换性理念。
• 简单性：消除了处理原始文本数据和嵌入算法的复杂性，使开发人员无需深入研究底层机制就可以在应用中直接使用。

设计思想

EmbeddingModel类的集成关系如下图(图来自官方网站)所示 提供统一抽象类EmbeddingModel提供给使用者，而不必了解其内部的实现细节，快速集成嵌入模型。

EmbeddingModel源码

EmbeddingModel作用是调用大模型嵌入模型，将文本，图片或者视频转换为向量。

java
复制代码
public interface EmbeddingModel extends Model<EmbeddingRequest, EmbeddingResponse> {
    //嵌入模型访问统一抽象接口，不同的大模型实现该方法完成各自的嵌入逻辑
    @Override
    EmbeddingResponse call(EmbeddingRequest request);

    // 将从文档中抽取出来的Document转换为向量，其中Document对象是在Spring AI文本抽取定义
    // 后续文章会对文档的解析进行说明
    List<Double> embed(Document document);
    
    // 将文本转换为向量
    default List<Double> embed(String text) {
        Assert.notNull(text, "Text must not be null");
        return this.embed(List.of(text)).iterator().next();
    }
    
    // 将一组文本转换为对应的一组向量
    default List<List<Double>> 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();
    }

    default EmbeddingResponse embedForResponse(List<String> texts) {
        Assert.notNull(texts, "Texts must not be null");
        return this.call(new EmbeddingRequest(texts, EmbeddingOptions.EMPTY));
    }

    // 返回向量的维度，比如OpenAI的 text-embedding-ada-002的维度为1536
    // 在AbstractEmbeddingModel中有处理逻辑，在embedding-model-dimensions.properties
    // 中有定义，没有定义的会通过测试文本向嵌入模型请求返回
    default int dimensions() {
        return embed("Test String").size();
    }

}

对于EmbeddingRequest请求对象和EmbeddingResponse返回对象，仅是简单的对象，不做特殊说明。

EmbeddingModel实现类

可以根据需求，选择符合自己需求的嵌入模型。在选择嵌入模型时应该考虑 【响应时间的要求】、【存储限制】、【预算约束】、【多语言支持】等来选择。

代码示例(Ollama：gemma:2b 为例)

特别提醒，如果还不知道如何使用Ollama本地部署大模型的请阅读：# 10. Ollama：本地部署大模型 + LobeChat：聊天界面 = 自己的ChatGPT

yml配置：

yml
复制代码
spring:
  ai:
    ollama:
      base-url: http://localhost:11434
      embedding:
        options:
          model: gemma:2b

代码实现

java
复制代码
package org.ivy.controller;

import jakarta.annotation.Resource;
import org.springframework.ai.embedding.EmbeddingRequest;
import org.springframework.ai.embedding.EmbeddingResponse;
import org.springframework.ai.ollama.OllamaEmbeddingModel;
import org.springframework.ai.ollama.api.OllamaModel;
import org.springframework.ai.ollama.api.OllamaOptions;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;

import java.util.List;

@RestController
public class EmbeddingController {

    @Resource
    private OllamaEmbeddingModel ollamaEmbeddingModel;

    @GetMapping("/text")
    public List<Double> textEmbedding(String text) {
        return ollamaEmbeddingModel.embed(text);
    }

    @GetMapping("texts")
    public EmbeddingResponse embedding(List<String> texts) {
        EmbeddingRequest request = new EmbeddingRequest(texts,
                OllamaOptions.create().withModel(OllamaModel.GEMMA.getModelName())
        );
        return ollamaEmbeddingModel.call(request);
    }
}

验证结果 结果就是返回一组向量，具体如何实现，底层的算法是什么，大家自行学习了，不知道并不影响你开发应用。但是对概念还是的要清晰的理解的。

总结

本篇文章主要介绍了嵌入模型的概念，作用，使用场景。并分析了Spring AI框架实现嵌入的设计理念以及源码分析。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！