spring-ai 第七模型介绍-向量模型
官网
通过将文本、图像和视频转换为浮点数组（称为向量）来工作。 这些向量旨在捕捉文本、图像和视频的含义
spring-ai网址【docs.spring.io/spring-ai/r…
主要模块
EmbeddingModel
embeddings和chat区别核心区别对比表
特性
🗣️ Chat（聊天）
🧠 Embedding（嵌入）
核心目标
理解和生成自然语言，进行对话、问答、内容创作等。
将文本、图像等数据转换为计算机能高效理解的“向量”（一串数字），以捕捉其语义含义。
输入与输出
输入：用户问题或指令。
输出：自然语言文本、代码等。
输入：一段文字、一个文档。
输出：一个由浮点数组成的向量（即“嵌入”）。
主要接口
ChatClient
EmbeddingClient（或 EmbeddingModel）
API 用法
提供流畅的 API 来构建提示词，并获取自然语言回复。
提供 embed(String text) 等方法，将文本直接转换成向量。
典型应用场景
- 对话式 AI：智能客服、聊天机器人、虚拟个人助理。
- 内容生成：撰写邮件、代码、文章摘要等。
- 逻辑推理：根据指令进行逻辑分析并给出答案。
- 语义搜索：根据“意思”而非关键词匹配信息。
- RAG（检索增强生成）：从知识库中检索相关内容，辅助 Chat 模型回答。
- 文本分类/聚类：按主题自动归类文档。
技术原理
基于生成式大语言模型，经过海量文本训练，学习如何预测和生成有意义的文本序列。
通过嵌入模型将数据映射到高维向量空间，语义越相近的内容，其向量在空间中的距离越近。
协作关系
Chat 模型通常不直接处理知识库，而是依赖 Embedding 处理后的结果来获取上下文信息。
Embedding 模型只为 Chat 模型提供语义理解后的信息，不负责生成回复。
源码示例
-
yaml配置
spring: ai: zhipuai: api-key: ${ZHIPUAI_API_KEY} chat: options: model: glm-4v-flash embedding: options: model: embedding-3 # 嵌入模型
-
测试代码
127.0.0.1:8082/api/embedding/similarity
{
"text1": "Java是一门编程语言",
"text2": "外国人"
}
- 两种验证结果
