Embedding 组件详解
说到 Embedding，本质上就是把文本变成一串数字向量，让程序能'按语义理解文本'，而不只是按字符串匹配。
你可以把它理解成：
- 原始文本：
"今天天气不错" - 转成向量后：
[0.12, -0.87, 0.44, ...]
这串向量人看不太懂，但机器可以拿它来算'两个文本像不像'。
它能做什么？
平时大家会用到的地方，最常见就是这几类：
1. 文本相似度计算 比如：
- '怎么退款'
- '我要申请退钱'
虽然字不一样，但意思接近。Embedding 后，这两句话的向量距离会比较近，系统就知道它们语义相似。
2. 语义搜索 这也是最常见的用途。比如你有很多文档、知识库、FAQ，用户问：
- '怎么修改收货地址'
系统不是只搜关键词'修改''地址'，而是把这个问题也做成向量，然后去找语义最接近的文档片段。这样即使文档里写的是'变更配送地址'，也能搜出来。
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 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
基础用法
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、召回相关知识片段或聚类分析。
实战用法
它的使用可以分成两层来看：一是直接给几段文本生成向量，二是配合检索、向量库、RAG 一起用。我直接教你上手怎么写。
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。
package main
import (
"context"
"fmt"
"log"
"github.com/cloudwego/eino-ext/components/embedding/openai"
)
func main() {
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，某些场景为了省钱或提速，改用小模型。不过要注意，虽然向量在不同模型之间还是有一定的兼容性，但尽量不切换就不要切换，否则会影响效果。
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、监控调用过程或调试输入输出。
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、输出了多少向量以及 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
- 初始化 embedder
- 调
EmbedStrings - 拿到
[][]float64
常见增强
- 用
Option临时覆盖参数 - 用
Callback打日志和监控 - 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"
)
func main() {
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