摘要：double dot = 0.0, norm1 = 0.0, norm2 = 0.0;
以下是使用 Spring Boot 集成 OpenAI Embedding 实现文本向量化的分步指南：
1. 创建 Spring Boot 项目
使用 Spring Initializr 创建一个新项目，添加以下依赖：
Spring WebLombok（可选）xml
com.theokanning.openai-gpt3-java
service
0.18.2
3. 配置 OpenAI API 密钥
在 application.properties 中配置：
properties
openai.api.key=sk-your-api-key-here
openai.api.model=text-embedding-3-small # 推荐模型
使用 @ConfigurationProperties 读取配置：
java
@Configuration
@ConfigurationProperties(prefix = "openai.api")
public class OpenAIConfig {
private String key;
private String model;
// Getters & Setters
}
4. 实现 Embedding 服务
创建服务类处理向量化逻辑：
java
@Service
@RequiredArgsConstructor
public class EmbeddingService {
private final OpenAIConfig config;
public List createEmbedding(String text) {
OpenAiService service = new OpenAiService(config.getKey, Duration.ofSeconds(30));
EmbeddingRequest request = EmbeddingRequest.builder
.model(config.getModel)
.input(Collections.singletonList(text))
.build;
try {
EmbeddingResult result = service.createEmbeddings(request);
return result.getData.get(0).getEmbedding;
} catch (OpenAiHttpException e) {
throw new RuntimeException("OpenAI API error: " + e.getMessage);
}
}
}
5. 创建 REST 控制器
java
@RestController
@RequestMapping("/api/embeddings")
@RequiredArgsConstructor
public class EmbeddingController {
private final EmbeddingService embeddingService;
@PostMapping
public ResponseEntity getEmbedding(@RequestBody TextRequest request) {
try {
List embedding = embeddingService.createEmbedding(request.getText);
return ResponseEntity.ok(new EmbeddingResponse(embedding));
} catch (Exception e) {
return ResponseEntity.internalServerError.body(e.getMessage);
}
}
// DTOs
@Data
static class TextRequest { private String text; }
@Data
@AllArgsConstructor
static class EmbeddingResponse { private List vector; }
}
6. 测试 API
使用 curl 测试：
bash
curl -X POST http://localhost:8080/api/embeddings \
-H "Content-Type: application/json" \
-d '{"text": "Spring Boot整合OpenAI示例"}'
响应示例：
json
{
"vector": [
-0.006929283495992422,
0.031357022792100906,
... // 1536 elements for text-embedding-3-small
]
}
关键注意事项：
API 成本控制：OpenAI 按 token 计费，需监控使用量性能优化：使用 @Async 实现异步处理添加缓存（如 Redis）存储常用文本的向量错误处理：添加重试机制（使用 Spring Retry）处理速率限制（429 错误）模型选择：text-embedding-3-small：性价比高text-embedding-3-large：更高维度（3072）扩展功能建议
java
// 批量处理示例
public Map> batchEmbed(List texts) {
return texts.stream
.collect(Collectors.toMap(
Function.identity,
this::createEmbedding
));
}
// 相似度计算（使用余弦相似度）
public double similarity(List vec1, List vec2) {
double dot = 0.0, norm1 = 0.0, norm2 = 0.0;
for (int i = 0; i
dot += vec1.get(i) * vec2.get(i);
norm1 += Math.pow(vec1.get(i), 2);
norm2 += Math.pow(vec2.get(i), 2);
}
return dot / (Math.sqrt(norm1) * Math.sqrt(norm2));
}
完整技术栈建议
组件推荐选择向量数据库Pinecone, Milvus, PGVector缓存Redis异步处理Spring @Async, Kafka监控Micrometer + Prometheus参考 OpenAI 官方文档：Embeddings Guide
来源：老客数据一点号
