企业官网建设流程全解析

一、本章核心学习目标

学完本章，你将能够：

1. 深刻理解嵌入（Embedding）的本质和核心原理
2. 掌握向量相似度计算的三种常用方法
3. 熟练使用Spring AIEmbeddingClient统一API
4. 独立完成主流嵌入模型的对比与选型
5. 实现本地Ollama嵌入模型与商业API的无缝切换
6. 避开嵌入模型使用中的常见误区
7. 掌握嵌入模型的企业级性能优化技巧

二、前置知识准备

• 已经完成前4篇的学习，熟练掌握ChatClient和提示词工程
• 了解大模型的知识截止和幻觉问题
• 熟悉Spring Boot的配置和依赖注入

三、为什么我们需要嵌入模型？

在前面的学习中，我们已经能够让大模型回答问题，但大模型有三个无法通过提示词工程解决的原生缺陷：

1. 知识截止限制：所有大模型都有训练数据截止日期，无法回答训练之后发生的事情
2. 幻觉问题：大模型会编造不存在的事实和数据
3. 私有数据不可用：企业内部文档、客户数据等不能上传给大模型训练

嵌入模型就是解决这三个问题的核心钥匙，它是RAG（检索增强生成）技术的基础。

嵌入的本质：把文本变成机器可理解的数字向量

通俗地说，嵌入就是把人类语言的文本转换成一串固定长度的数字向量。它的神奇之处在于：语义相似的文本，生成的向量在空间中距离也会很近。

举个直观的例子：

• “我喜欢吃苹果” 和 “我爱吃苹果” → 向量距离非常近
• “我喜欢吃苹果” 和 “我喜欢吃香蕉” → 向量距离较近（都是水果）
• “我喜欢吃苹果” 和 “今天天气很好” → 向量距离非常远

这样一来，机器就可以通过计算向量之间的距离，来判断两段文本的语义相似度。

预告式提及：下一章我们会学习向量数据库，它就是专门用来存储这些向量并快速计算相似度的数据库。

四、向量相似度计算原理

向量相似度计算是检索的核心，常用的有三种方法：

1. 余弦相似度（最常用）

计算两个向量之间的夹角余弦值，取值范围是[-1, 1]。值越接近1，相似度越高；越接近-1，相似度越低；0表示完全无关。

特点：不受向量长度的影响，只关心向量的方向，是文本相似度计算的首选方法。

2. 点积相似度

计算两个向量对应位置元素的乘积之和。取值范围没有限制，值越大相似度越高。

特点：同时考虑向量的方向和长度，适合需要考虑文本重要性的场景。

3. 欧氏距离

计算两个向量在空间中的直线距离。取值范围是[0, +∞)，值越小相似度越高。

特点：适合比较向量的绝对差异，在文本相似度计算中使用较少。

企业级最佳实践：中文RAG场景首选余弦相似度。

五、Spring AI EmbeddingClient统一API详解

和ChatClient一样，Spring AI为所有嵌入模型提供了统一的EmbeddingClient接口。无论你使用的是商业API还是本地模型，代码完全相同。

1. 基础依赖配置

(1) 对接DeepSeek商业嵌入API

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-model-deepseek</artifactId></dependency>

(2) 对接本地Ollama嵌入模型

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-model-ollama</artifactId></dependency>

2. 基础配置

(1) DeepSeek商业API配置

spring:ai:deepseek:api-key:你的DeepSeek API Keyembedding:options:model:deepseek-embedding

(2) Ollama本地模型配置

spring:ai:ollama:base-url:http://localhost:11434embedding:options:model:bge-m4

重要说明：只需要添加对应的依赖和配置，Spring AI会自动为你创建EmbeddingClient实例，不需要编写任何额外代码。

3. 基础调用示例

importorg.springframework.ai.embedding.EmbeddingClient;importorg.springframework.web.bind.annotation.GetMapping;importorg.springframework.web.bind.annotation.RequestParam;importorg.springframework.web.bind.annotation.RestController;importjava.util.List;@RestControllerpublicclassEmbeddingController{privatefinalEmbeddingClientembeddingClient;publicEmbeddingController(EmbeddingClientembeddingClient){this.embeddingClient=embeddingClient;}// 生成单个文本的嵌入向量（返回 float[]）@GetMapping("/embed")publicfloat[]embed(@RequestParamStringtext){returnembeddingClient.embed(text);}// 批量生成嵌入向量@GetMapping("/embed/batch")publicList<float[]>embedBatch(@RequestParamList<String>texts){returnembeddingClient.embed(texts);}// 获取嵌入向量的维度@GetMapping("/embed/dimension")publicintgetDimension(){returnembeddingClient.dimensions();}}

4. 计算两个文本的相似度

Spring AI 不提供内置的向量计算工具类，需要手动实现余弦相似度：

@GetMapping("/similarity")publicdoublecalculateSimilarity(@RequestParamStringtext1,@RequestParamStringtext2){float[]vector1=embeddingClient.embed(text1);float[]vector2=embeddingClient.embed(text2);returncosineSimilarity(vector1,vector2);}/** * 手动实现余弦相似度：cos(θ) = (A·B) / (|A| × |B|) */privatedoublecosineSimilarity(float[]a,float[]b){doubledotProduct=0,normA=0,normB=0;for(inti=0;i<a.length;i++){dotProduct+=a[i]*b[i];normA+=a[i]*a[i];normB+=b[i]*b[i];}returndotProduct/(Math.sqrt(normA)*Math.sqrt(normB));}

测试示例：

• 输入：text1=“我喜欢吃苹果”，text2=“我爱吃苹果” → 相似度≈0.95
• 输入：text1=“我喜欢吃苹果”，text2=“今天天气很好” → 相似度≈0.1

六、2026年主流嵌入模型对比与选型

这是本章最核心的内容，也是你在实际开发中必须做出的决策。

1. 嵌入模型核心参数说明

2. 主流嵌入模型横向对比

3. 嵌入模型选型决策树

嵌入模型选型决策树： ├── 数据敏感，绝对不能上传到第三方服务器 → 必须选择开源本地模型 │ ├── 有GPU（4GB以上显存） → BGE-M4（首选，中文性能天花板） │ └── 只有CPU → M3E-v2（推理速度快，CPU友好） └── 数据不敏感，可以上传 → 商业API ├── 预算有限 → DeepSeek-embedding-v2（性价比之王） ├── 已经在使用智谱生态 → 智谱embedding-3 └── 多语言需求 → OpenAI text-embedding-3-small

重要纠正：之前有说法"DeepSeek没有向量模型"，这是完全错误的。DeepSeek不仅有官方的嵌入API，而且价格极低，是商业API的首选。

2026年最新进展：BGE-M4已经内置了稀疏向量支持，不需要再单独部署Splade等稀疏向量模型，可以直接实现混合检索。我们会在第8篇详细讲解混合检索技术。

4. 本地Ollama部署BGE-M4

如果你选择本地部署BGE-M4，只需要一行命令：

ollama pull bge-m4

然后修改application.yml配置为Ollama模式，不需要修改任何Java代码。

七、嵌入模型的常见误区

1. ❌ 误区一：用聊天模型做嵌入

很多新手会误以为"同一个模型既可以聊天也可以做嵌入"，这是完全错误的。

聊天模型和嵌入模型的训练目标完全不同：

• 聊天模型的训练目标是生成下一个token
• 嵌入模型的训练目标是让语义相似的文本生成相似的向量

用聊天模型生成的向量，相似度计算结果会非常不准确。

2. ❌ 误区二：混用不同嵌入模型的向量

每个嵌入模型生成的向量空间是完全不同的。你不能把BGE-M4生成的向量和DeepSeek生成的向量放在同一个向量数据库中进行比较，结果会完全没有意义。

企业级最佳实践：一个RAG系统只能使用一个嵌入模型，所有向量都必须由同一个模型生成。

3. ❌ 误区三：向量维度越高越好

虽然维度越高语义表达能力越强，但1024维已经足够应对绝大多数中文场景。更高的维度（如1536维）只会增加存储和计算成本，带来的性能提升非常有限。

4. ❌ 误区四：嵌入模型越新越好

不要盲目追求最新的嵌入模型。BGE-M4已经经过了大量企业的验证，稳定性和效果都有保障。新模型可能存在各种问题，不建议直接用于生产环境。

八、企业级性能优化技巧

1. 批量生成嵌入向量

不要每次只生成一个文本的向量，尽量批量生成，这样可以大幅提升效率。

importjava.util.Arrays;importjava.util.List;// 推荐：批量生成List<String>texts=Arrays.asList("文本1","文本2","文本3");List<float[]>embeddings=embeddingClient.embed(texts);// 不推荐：逐个生成for(Stringtext:texts){float[]embedding=embeddingClient.embed(text);}

2. 缓存嵌入向量

对于不会变化的文本（如知识库文档），生成一次向量后就缓存起来，不要重复生成。可以使用Redis作为缓存。

3. 限制文本长度

不要把过长的文本直接传给嵌入模型，应该先进行切分。我们会在第7篇详细讲解文本切分策略。

4. 选择合适的批量大小

商业API一般都有批量大小限制，比如DeepSeek的最大批量大小是2048。超过这个限制会导致调用失败。

九、常见坑与解决方案

1. ❌ 向量维度不匹配

问题：嵌入模型生成的向量维度和向量数据库要求的维度不一致
解决方案：确保嵌入模型和向量数据库使用相同的维度。BGE-M4是1024维，DeepSeek是1536维。

2. ❌ 中文效果差

问题：使用OpenAI等国外模型，中文检索准确率低
解决方案：中文场景优先使用BGE-M4、M3E-v2等国产模型，它们的中文性能远超国外模型。

3. ❌ 批量调用报错

问题：批量调用时提示"请求过大"
解决方案：减小批量大小，一般每次处理10-100个文本比较合适。

4. ❌ 本地模型速度慢

问题：使用CPU运行BGE-M4，生成速度很慢
解决方案：如果有NVIDIA显卡，Ollama会自动启用GPU加速，推理速度大幅提升。

十、本章总结与下章预告

本章总结

1. 嵌入模型的本质是将文本转换为数字向量，语义相似的文本向量距离更近
2. 余弦相似度是文本相似度计算的首选方法
3. Spring AI提供了统一的EmbeddingClient接口，支持商业API和本地模型
4. 中文RAG场景首选BGE-M4开源本地模型，商业API首选DeepSeek-embedding-v2
5. 不要用聊天模型做嵌入，不要混用不同模型的向量
6. 批量生成和缓存可以大幅提升嵌入模型的性能

预告式提及：我们现在已经学会了如何生成向量，但如何高效地存储和检索这些向量呢？下一章我们将学习向量数据库，它是RAG系统的核心存储组件。

下章预告

下一章我们将深入学习向量数据库的选择与Spring AI集成。你将学会：

• 什么是向量数据库？为什么不用MySQL存向量？
• 主流向量数据库对比：Milvus vs Qdrant vs Chroma
• Spring AI向量数据库统一API详解
• 本地向量数据库Chroma的快速上手
• 向量的增删改查与批量导入导出

十一、课后练习

1. 分别使用DeepSeek商业API和本地Ollama BGE-M4生成"Java是最好的编程语言"的向量，观察它们的维度差异
2. 计算三对文本的相似度：“Java开发"和"Java编程”、“Java开发"和"Python开发”、“Java开发"和"打篮球”
3. 实现一个批量生成嵌入向量的接口，支持一次处理最多50个文本
4. 尝试修改Ollama配置，使用M3E-v2模型，对比它和BGE-M4的生成速度和相似度计算结果
5. 思考一下：为什么嵌入模型能够捕捉到文本的语义信息？