AI 大模型落地系列｜Eino 组件核心篇：Embedding 到底解决了什么
Embedding 使用说明
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：
- 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”。
有啥用？！
他能干嘛？
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，所以系统知道它们语义相似。
这个我在之前的博客<ai基础知识>中提到过
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
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：
- 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
- 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
- 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")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)
