把文本变成向量

Embedding 不是“另一种聊天模型”，它解决的是另一类问题：
如何把文本变成可计算相似度的向量表示。

如果你没有要做检索、RAG、去重、聚类或语义搜索，就不用急着看这一页。

什么时候你才需要 Embedding

• 你要做 RAG
• 你要做语义检索
• 你要做文本去重或聚类

如果你现在只是想调模型输出文本，先停在 配置对话模型并处理流式输出。

最小用法：单条文本向量化

EmbeddingDemo.java

import tech.smartboot.feat.ai.FeatAI;
import tech.smartboot.feat.ai.embedding.EmbeddingModel;
import tech.smartboot.feat.ai.embedding.EmbeddingModelVendor;

import java.util.Arrays;

public class EmbeddingDemo {
    public static void main(String[] args) {
        EmbeddingModel model = FeatAI.embedding(opt ->
                opt.model(EmbeddingModelVendor.GiteeAI.bce_embedding_base_v1)
        );

        float[] vector = model.embed("你好！");
        System.out.println(Arrays.toString(vector));
    }
}

这里最重要的不是打印出来的向量长什么样，而是你开始接受这件事：

• 一段文本会被映射成一组数值
• 后续检索和相似度计算都基于这组数值

批量向量化

实际项目里更常见的是一次处理一批文本：

List<String> texts = Arrays.asList("Hello World", "你好");
List<float[]> vectors = model.embed(texts);

这通常比一条一条请求更实用，也更接近真实索引构建场景。

模型来源怎么选

和对话模型一样，这里通常也有两类来源：

• 云端模型
• 本地模型（例如 Ollama）

示例里可以直接用：

EmbeddingModelVendor.GiteeAI.bce_embedding_base_v1
EmbeddingModelVendor.Ollama.nomic_embed_text

如果你只是先验证能力有没有打通，选任何一个你当前最容易连上的来源即可。

你应该怎样理解这些向量

这一页不要求你马上写出完整向量检索系统。
你只需要先接受两件事：

1. 不同文本会变成不同向量
2. 相近语义通常会对应更接近的向量空间位置

这也是为什么 Embedding 能用来做：

• 语义搜索
• 相似问题召回
• 文档块检索

Embedding 和 RAG 的关系

很多人第一次看 Embedding，就是因为想做 RAG。
可以把它们的关系理解成：

• Embedding 负责把问题和文档都变成向量
• 向量检索负责找出最相关的文档块
• ChatModel 再基于这些文档块生成最终答案

所以 Embedding 不是 RAG 的全部，但它通常是入口之一。

常见问题

我已经有 ChatModel，为什么还要 Embedding

因为这两者解决的问题不同。

• ChatModel：生成文本
• Embedding：表示文本

向量维度和数值范围为什么不一样

因为不同模型的向量空间不同。
所以不同 Embedding 模型生成的向量一般不要混用。

我是不是应该一开始就接向量库

不一定。
如果你只是验证 Embedding 能力，先完成单条和批量向量化就够了。等你真正开始做检索链路时，再引入向量库。

下一步

• 如果你还没学对话模型，先回到 配置对话模型并处理流式输出
• 如果你准备让模型调用工具，去看 让模型开始使用工具