AI 大模型落地系列｜Eino 组件核心篇：Embedding 到底解决了什么

3. RAG / 知识库问答
这类项目里 embedding 基本是核心组件之一了。流程通常是：

• 先把知识库里的文本切块
• 然后为每个文本块生成 embedding
• 存到向量库里
• 用户提问时，也生成一个 embedding
• 去向量库里找最相关的内容
• 再把找到的内容喂给大模型回答

也就是说，它是'先找资料'这一步的关键。

4. 文本聚类 / 分类 / 去重
这个是生活中其他方面的应用，非AI
比如你有很多评论、工单、反馈，可以用 embedding 做：

• 相似工单归类
• 重复问题合并
• 用户反馈主题聚类

它不能直接干嘛？

它不是直接拿来生成回答的。
它更像一个'文本编码器'或者'语义检索工具'。

也就是：

• LLM：负责生成、总结、对话
• Embedding：负责把文本映射到语义空间，方便检索、匹配、聚类

总结：

这个组件的核心用途就一句话：

把文字转换成可计算的语义特征，方便程序判断哪些文本意思接近。

浅用之法

接下来，我先说下基础语法。

EmbedStrings(ctx, texts []string, opts ...Option)([][]float64,error)

意思就是：

• 输入：多段文本
• 输出：每段文本对应的一个向量

例如：

texts :=[]string{"hello","how are you",} vectors, err := embedder.EmbedStrings(ctx, texts)

返回的 vectors 就是两段文本的向量表示。
后面你可以拿这些向量去做：

• 相似度比较
• 存入向量数据库
• 召回相关知识片段
• 聚类分析

食用之法

它的使用可以分成两层来看：

1. 最直接的用法：给几段文本生成向量也就是我在浅用之法中提到的
2. 真正落地的用法：配合检索 / 向量库 / RAG 一起用

我直接教你 '你上手怎么写'。

一、最基本用法：直接调用 EmbedStrings

本质核心就这几步：

1. 创建 embedder

import"github.com/cloudwego/eino-ext/components/embedding/openai"// 这个导入的包，是兼容openai的。// 如果你要用豆包，可以专门调用embedding/ark 这个包。 embedder, err := openai.NewEmbedder(ctx,&openai.EmbeddingConfig{ APIKey: accessKey, Model:"text-embedding-3-large", Dimensions:&defaultDim, Timeout:0,})if err !=nil{panic(err)}

这里的作用是初始化一个'文本转向量'的对象。

几个关键参数：

• APIKey：调用模型服务的密钥
• Model：选哪个 embedding 模型
• Dimensions：向量维度
• Timeout：超时时间

2. 调用 EmbedStrings

texts :=[]string{"hello","how are you",} vectors, err := embedder.EmbedStrings(ctx, texts)if err !=nil{panic(err)}

这一步做完后：

• texts[0] 对应 vectors[0]
• texts[1] 对应 vectors[1]

也就是说，输入几段文本，输出几组向量。

3. 向量拿来干嘛

生成出来的 vectors 一般不会直接打印给用户看，而是继续做下面这些事：

• 存到向量数据库
• 跟别的向量算相似度
• 做召回
• 做聚类
• 做去重

二、完整demo

你可以把它理解成一个普通组件，哪里需要文本转向量，哪里调用。

例如：

package main import("context""fmt""log""github.com/cloudwego/eino-ext/components/embedding/openai")funcmain(){ ctx := context.Background() defaultDim :=3072 accessKey :="your-api-key" embedder, err := openai.NewEmbedder(ctx,&openai.EmbeddingConfig{ APIKey: accessKey, Model:"text-embedding-3-large", Dimensions:&defaultDim, Timeout:0,})if err !=nil{ log.Fatal(err)} texts :=[]string{"退款怎么申请","如何进行退钱操作","今天天气不错",} vectors, err := embedder.EmbedStrings(ctx, texts)if err !=nil{ log.Fatal(err)} fmt.Println("文本数量:",len(vectors)) fmt.Println("第一条文本向量维度:",len(vectors[0]))}

这就是最标准的'用'了！

三、带 Option 怎么用

公共 option 其实也挺有用的，比如 WithModel。

这表示你在调用时，可以临时覆盖模型参数。

vectors, err := embedder.EmbedStrings(ctx, texts, embedding.WithModel("text-embedding-3-small"),)

大致意思就是：

• embedder 初始化时有一个默认模型
• 这次调用时，临时改成另一个模型

这个适合：

• 平时默认用大模型
• 某些场景为了省钱/提速，改用小模型

但是我在此，不得点明一下，虽然向量在不同模型之前还是有一定的兼容，但是尽量不切换，就不要切换，影响效果

四、在编排中怎么用

如果你不是手动一行一行写，而是用 Eino 的 Chain 或 Graph，就可以把 embedding 当成节点塞进去。

在 Chain 中使用

初次接触chain的话，你可以将其当成一条流水线

chain := compose.NewChain[[]string,[][]float64]() chain.AppendEmbedding(embedder)

意思是：

• 输入：[]string
• 输出：[][]float64

也就是整条链专门做'文本 -> 向量'。

在 Graph 中使用

graph := compose.NewGraph[[]string,[][]float64]() graph.AddEmbeddingNode("embedding_node", embedder)

意思是把 embedding 作为图里的一个节点，后面可以接别的节点一起跑。

五、带 Callback 怎么用

这个一般用于：

• 记录日志
• 统计 token
• 监控调用过程
• 调试输入输出

Callback有点像 给整个链路，外挂了一层'生命周期 中间件 / 钩子机制"

通常是：定义 handler，然后通过 compose.WithCallbacks 传进去。

例如：

handler :=&callbacksHelper.EmbeddingCallbackHandler{ OnStart:func(ctx context.Context, runInfo *callbacks.RunInfo, input *embedding.CallbackInput) context.Context { log.Printf("开始 embedding，文本数: %d, 内容: %v\n",len(input.Texts), input.Texts)return ctx }, OnEnd:func(ctx context.Context, runInfo *callbacks.RunInfo, output *embedding.CallbackOutput) context.Context { log.Printf("embedding 完成，生成向量数: %d\n",len(output.Embeddings))return ctx },}

然后运行时：

callbackHandler := callbacksHelper.NewHandlerHelper().Embedding(handler).Handler() runnable,_:= chain.Compile(ctx) vectors, err := runnable.Invoke(ctx,[]string{"hello","how are you"}, compose.WithCallbacks(callbackHandler),)

这样你就能看到：

• 输入了什么
• 什么时候开始
• 什么时候结束
• 输出了多少向量
• token 消耗多少

六、真实场景

真正业务里，embedding 很少是'调一下就结束'，
我拿知识库问答，给大家描绘一下整体流程。

场景：做知识库问答

第一步：把知识库切块

比如一篇文档切成很多段：

chunks :=[]string{"退款申请需要在订单完成后7天内提交","修改收货地址请在发货前联系人工客服","发票可在订单详情页申请",}

第二步：给每个 chunk 生成向量

chunkVectors, err := embedder.EmbedStrings(ctx, chunks)

第三步：存起来

通常会存到向量数据库里，同时保存原文：

• 文本内容
• 对应向量
• 文档来源
• chunk id

第四步：用户提问时，也生成向量

query :=[]string{"订单下完以后地址还能改吗"} queryVector, err := embedder.EmbedStrings(ctx, query)

第五步：拿 query 的向量去检索最相近的 chunk

找出最相似的几段知识。

第六步：把召回结果交给大模型回答

这才变成完整的 RAG。

七、语法总结

最小步骤

1. 初始化 embedder
2. 调 EmbedStrings
3. 拿到 [][]float64

常见增强

4. 用 Option 临时覆盖参数
5. 用 Callback 打日志和监控
6. 放进 Chain / Graph 编排

八、模板总结

package main import("context""fmt""log""github.com/cloudwego/eino/components/embedding" embeddingOpenAI "github.com/cloudwego/eino-ext/components/embedding/openai")funcmain(){ ctx := context.Background() defaultDim :=3072// 通常是定死的 accessKey :="your-api-key" embedder, err := embeddingOpenAI.NewEmbedder(ctx,&embeddingOpenAI.EmbeddingConfig{ APIKey: accessKey, Model:"text-embedding-3-large", Dimensions:&defaultDim, Timeout:0,})if err !=nil{ log.Fatal(err)} texts :=[]string{"退款怎么申请","如何退钱","修改收货地址的方法",} vectors, err := embedder.EmbedStrings( ctx, texts, embedding.WithModel("text-embedding-3-small"),)if err !=nil{ log.Fatal(err)} fmt.Printf("生成了 %d 个向量\n",len(vectors)) fmt.Printf("每个向量维度: %d\n",len(vectors[0]))}

九、尾声

大家可以把它记成：

Embedding 的'用法'就是：先把文本喂进去生成向量，再把这个向量用于检索、匹配、聚类等后续处理。

相信大家看到这里，应该也明白了：
'会调用 embedding' 和 '会用 embedding 做业务' 是两回事。

前者很简单，就是：

• NewEmbedder
• EmbedStrings

后者才是完整链路，比如：

• 文本切块
• 向量生成
• 向量存储
• 相似检索
• 大模型回答

1、OpenAI开发者(向量嵌入)
2、官方文档 CloudWeGo(Embedding 使用说明)