Go / GolangAI算法
Eino Embedding 组件核心解析：文本向量化与语义检索
介绍 Eino 框架中 Embedding 组件的核心功能与应用。Embedding 将文本转换为向量，用于语义相似度计算、搜索及 RAG 知识库问答。文章涵盖基础调用（NewEmbedder, EmbedStrings）、Option 配置、Chain/Graph 编排集成以及 Callback 监控，并详细展示了从知识库切块到向量检索的完整业务流程。
介绍 Eino 框架中 Embedding 组件的核心功能与应用。Embedding 将文本转换为向量，用于语义相似度计算、搜索及 RAG 知识库问答。文章涵盖基础调用（NewEmbedder, EmbedStrings）、Option 配置、Chain/Graph 编排集成以及 Callback 监控，并详细展示了从知识库切块到向量检索的完整业务流程。
说到 embedding 组件，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：
"今天天气不错"[0.12, -0.87, 0.44, ...]这串向量人是看不懂的，因为他是拿个程序看的。机器可以拿它来算'两个文本像不像'。
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：
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，所以系统知道它们语义相似。
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：
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：
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：
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：
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。
接下来，我先说下基础语法。
EmbedStrings(ctx, texts []string, opts ...Option)([][]float64,error)
意思就是：
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：
它的使用可以分成两层来看：
我直接教你'你上手怎么写'。
EmbedStrings本质核心就这几步：
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EmbedStringstexts := []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。
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：
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"
)
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！
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个适合：
但是要注意，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。
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。
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：
[]string[][]float64也就是整条链专门做'文本 -> 向量'。
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。
这个一般用于：
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：
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。
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"}
chunkVectors, err := embedder.EmbedStrings(ctx, chunks)
通常会存到向量数据库里，同时保存原文：
query := []string{"订单下完以后地址还能改吗"}
queryVector, err := embedder.EmbedStrings(ctx, query)
找出最相似的几段知识。
这才变成完整的 RAG。
EmbedStrings[][]float64Option 临时覆盖参数Callback 打日志和监控Chain / Graph 编排
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML 转 Markdown 互为补充。 在线工具，Markdown 转 HTML在线工具，online