故事的开始：我为什么会遇上 Vertex AI？
那天，是一个阳光明媚的周三下午。
我在公司写一个内部问答系统，需要用向量搜索来匹配语义最相近的答案。原本打算直接上 OpenAI Embeddings，但老李抬头看了我一眼：“小米，我们用 Google Cloud，全家桶用起来更香。”
于是我去翻了下 Google Cloud 的文档，才发现 Vertex AI 不只是能训练模型、部署模型，它还提供了文本向量模型（Text Embedding Model） 。
这意味着——我不用再训练自己的向量模型了！Google 已经帮我准备好了一切。
于是，开启了我和 Vertex AI Embeddings 的奇妙之旅。
认识一下：什么是 Vertex AI？
简单点讲，Vertex AI 是 Google Cloud 提供的一站式 AI 平台。
它的定位非常明确：
“统一机器学习生命周期，从数据准备、模型训练、部署到推理，统统搞定。”
它包含了以下几大模块：
而我们今天的主角，正是其中的 Embeddings API。
它能把一句话、一段文本变成一串数字，也就是向量，用于语义搜索、推荐、聚类等任务。
Google 文本向量模型：语义的魔法棒
Google 提供的文本向量模型，名字叫做：
textembedding-gecko@001
是不是听起来就有点可爱？
这个模型基于 Google 的大语言模型技术，可以把任意文本转成高维向量（通常是 768 或 1024 维），并且支持多语言。举个例子：
更厉害的是，它可以用来做：
- 语义搜索（semantic search）
- 相似文本检索
- 文本聚类
- 推荐系统
- 知识库匹配（QA 场景）
先决条件：准备好 Google Cloud 环境
要在 Spring AI 中使用 Vertex AI，你需要准备以下东西
下载的凭据文件长这样（部分内容）
添加存储库和 BOM
如果你使用 Spring Boot 3.x，只需要在 pom.xml 中添加 Spring AI 的依赖配置即可。
如果你是用 Gradle：
自动配置：就是这么丝滑！
Spring AI 对 Vertex AI 有完善的自动配置支持。
当你在 application.yml 中配置完必要参数后，它会自动创建 VertexAiTextEmbeddingModel Bean。
是的，不用写一行 Java 代码，Spring Boot 会帮你搞定。
Embedding 属性
下面是 spring.ai.vertex.ai.embedding 相关的主要配置项
embedding.text 属性
Spring AI 提供了 embedding.text 子配置项，方便进一步微调嵌入模型的行为。
示例控制器：从文本到向量只要一行代码
我写了一个简单的控制器，你可以直接拿来跑
运行后访问：
返回结果是一串漂亮的向量
是不是很治愈？
手动配置：如果你想要更细的控制
当然，Spring AI 也支持手动创建 VertexAiTextEmbeddingModel，适合对 Bean 初始化有自定义需求的同学。
这样，你就可以完全掌控模型加载、凭据、区域等配置。
从 Google 服务帐户加载凭据
别忘了，我们的凭据是整个访问的关键。加载方式有三种：
推荐用环境变量或配置文件方式，因为更安全、更容易在容器环境下部署。
结语：一行配置，拥抱 AI 世界
这次体验下来，我最大的感受是：
Spring AI 真的是 AI 工程师的福音。
它把复杂的模型接入、凭据管理、接口调用都封装得干干净净，只留给我们最舒服的“API 级快乐”。
从 Vertex AI 获取文本向量，只需要：
- 下载凭据
- 配置一行 YAML
- 写一行控制器
完事！
再也不用到处拼 URL、调 REST API、写请求签名。Google 提供了世界级的模型，Spring AI 帮你一键接入。
这大概就是所谓的——“站在巨人的肩膀上搞开发”。
END
我把今天讲的核心步骤整理成一句口诀，方便记：
开通 Vertex → 下载凭据 → 配置 YAML → 调用模型 → 输出向量。
希望你今天也能像我一样，在代码世界里，喝上一口“冰可乐般”的丝滑快乐。
如果你喜欢我的分享，记得点个 【在看】 或者 【分享】 吧~
我是小米，一个喜欢分享技术的31岁程序员。如果你喜欢我的文章，欢迎关注我的微信公众号“软件求生”，获取更多技术干货！
