Embeddings Model（嵌入模型）：嵌入技术通过将文本、图像和视频转换为浮点数数组（称为向量）来实现。这些向量旨在捕捉文本、图像和视频的语义信息。嵌入数组的长度被称为向量的维度。

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。这里通常可以用向量的余弦相似度来计算，结果越大越相似。

一、简单例子

1、配置嵌入模型

要在配置文件中指定,这里用的是openai的但是配置用的是千问的，他们兼容。

spring:
  application:
    name: spring-ai-test
  ai:
    openai:
      api-key: ${AI_BAILIAN_API_KEY}
      base-url: https://dashscope.aliyuncs.com/compatible-mode/v1
      chat:
        model: qwen3.8-flash
        temperature: 0.7
      embedding:
        model: qwen3.7-text-embedding-flash
        dimensions: 2048

2、余弦相似度工具类

public class VectorSimilarityUtil {
    /**
     * 余弦相似度 cosine similarity
     * @param vecA embedding向量
     * @param vecB embedding向量
     * @return [-1,1]，越接近1越相似
     */
    public static float cosineSimilarity(float[] vecA, float[] vecB) {
        if (vecA == null || vecB == null || vecA.length != vecB.length) {
            throw new IllegalArgumentException("向量不能为空且维度必须一致");
        }
        float dot = 0f;
        float normA = 0f;
        float normB = 0f;
        for (int i = 0; i < vecA.length; i++) {
            dot += vecA[i] * vecB[i];
            normA += vecA[i] * vecA[i];
            normB += vecB[i] * vecB[i];
        }
        if (normA == 0 || normB == 0) {
            return 0f;
        }
        return dot / ( (float) Math.sqrt(normA) * (float) Math.sqrt(normB) );
    }
}

3、简单例子

@RestController
public class TestController {
    @Autowired
    private OpenAiEmbeddingModel embeddingModel;
    @GetMapping("/em")
    public String em(){
       float[] results1 =  embeddingModel.embed(new Document("我爱java"));
       float[] results2 =  embeddingModel.embed(new Document("我爱php"));
       float[] results3 =  embeddingModel.embed(new Document("我爱小猫咪"));
       float a = VectorSimilarityUtil.cosineSimilarity(results1,results2);
       float b = VectorSimilarityUtil.cosineSimilarity(results1,results3);
        //越大越像
       System.out.println("我爱java和我爱php的余弦相似度："+a);
       System.out.println("我爱java和我爱小猫咪的余弦相似度："+b);
        //我爱java和我爱php的余弦相似度：0.69244385
       // 我爱java和我爱小猫咪的余弦相似度：0.644336
       return "ok";
    }
}

嵌入向量返回的是一个2048维度的数组，根据上面的输出结果可以知道，我爱java和我爱php是比较相似的。

二、为啥要用嵌入模型

嵌入模型就是把文本转成定长向量，让计算机可以用余弦相似度判断语义是否相近。解决了传统关键词检索（如Elasticsearch）无法理解语义关联的问题（例如查询“治疗感冒的药”，可匹配“缓解伤风症状的药物”这类语义相似但关键词不同的文档），是RAG系统中“检索”环节的核心支撑。