AI大模型落地系列：一文读懂 Eino 的 Embedding

Ne0inhk

— 9 min read
AI大模型落地系列：一文读懂 Eino 的 Embedding

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：

  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
  1. 用 Option 临时覆盖参数
  2. 用 Callback 打日志和监控
  3. 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)

Read more

计算机视觉热点：三维人体姿态估计的前沿算法与论文案例

计算机视觉热点：三维人体姿态估计的前沿算法与论文案例

计算机视觉热点：三维人体姿态估计的前沿算法与论文案例 * 一、前言 * 二、三维人体姿态估计概述 * 2.1 定义与目标 * 2.2 应用场景 * 2.3 面临的挑战 * 三、前沿算法介绍 * 3.1 基于深度学习的方法 * 3.2 多视角方法 * 3.3 结合传感器的方法 * 四、算法对比与分析 * 4.1 不同算法的性能比较 * 4.2 适用场景分析 * 五、数据集介绍 * 5.1 常用数据集概述 * 5.2 数据集特点与应用 * 六、未来发展趋势 * 6.1 算法优化方向 * 6.2 新兴技术融合

By Ne0inhk
优选算法——滑动窗口

优选算法——滑动窗口

优选算法——滑动窗口 1.长度最小的子数组 解题原理 📋 解题步骤 第一步：理解题意 * 找一个连续子数组，使其和 ≥ target，且长度最小 * 数组元素都是正整数（关键性质） * 无解返回 0 第二步：分析暴力解法 * 枚举所有子数组：O(n²) 或 O(n³) * 对于 n = 10⁵ 会超时 第三步：寻找优化点 * 正整数 → 窗口扩展时和单调递增 * 可以用滑动窗口优化 第四步：设计滑动窗口 遍历右指针： 扩展窗口 从右边进窗口 判断： 如果 sum >= target： 更新最小长度 收缩窗口 从左边出窗口 第五步：手动模拟 步骤leftright窗口sumresult403[2,

By Ne0inhk
C++：探索哈希表秘密之哈希桶实现哈希

C++：探索哈希表秘密之哈希桶实现哈希

文章目录 * 前言 * 一、链地址法概念 * 二、哈希表扩容 * 三、哈希桶插入逻辑 * 四、析构函数 * 五、删除逻辑 * 六、查找 * 七、链地址法代码实现总结 前言 前面我们用开放定址法代码实现了哈希表： C++：揭秘哈希：提升查找效率的终极技巧_1 对于开放定址法来说，包含以下两种探测插入节点位置方法： 1. 线性探测 2. 二次探测 但是开放定址法的缺点也很明显，开放定址法容易很多数据堆积在一起，大大减少了效率。 为了解决上述问题，引入了第二种方法实现哈希表 ——链地址法（哈希桶法） 一、链地址法概念 开放定址法中，所有的元素都放到哈希表里。 链地址法中，所有的数据不再直接存储在哈希表中。哈希表中存储一个指针，没有数据映射到这个位置时，这个指针为空；有多个数据映射到这个位置时，我们把这些冲突的数据链接成一个链表，挂在哈希表这个位置下面。链地址法也叫做拉链法或者哈希桶。 下⾯演⽰

By Ne0inhk
【数据结构】彻底搞懂二叉树：四种遍历逻辑、经典OJ题与递归性能全解析

【数据结构】彻底搞懂二叉树：四种遍历逻辑、经典OJ题与递归性能全解析

🏠 个人主页:EXtreme35 📚 个人专栏: 专栏名称专栏主题简述《C语言》C语言基础、语法解析与实战应用《数据结构》线性表、树、图等核心数据结构详解《题解思维》算法思路、解题技巧与高效编程实践 目录 * 二叉树全栈进阶指南：从内存布局到递归本质的深度复盘 * 一、二叉树的底层逻辑与核心概念 * 1.1 核心定义与特点 * 1.2 二叉树的五种基本形态 * 1.3 特殊二叉树 * 1.4 二叉树的五条性质 * 1.5 存储结构 * 二、遍历的递归之美 * 2.1 前序遍历 * 2.2 中序遍历 (In-order Traversal) * 2.3 后序遍历 (Post-order Traversal) * 2.

By Ne0inhk