一文讲透向量 Embedding：从数学概念到 LangChain4j + Qdrant 实战

关注

原创最新推荐文章于 2026-09-02 11:15:58 发布 178 阅读 AI 写同款· GEO 优化 ›

OpenViking上下文数据库Golang集成实践技术创新文件系统范式：将AI Agent的上下文管理从扁平向量存储提升为结构化文件系统分层检索策略：L0/L1/L2三层加载机制，减少62.1%的Token消耗记忆自迭代：会话提交触发Agent经验沉淀，实现越用越智能工程实践完整Golang实现：提供生产级可用的OpenViking客户端库企业级集成方案：涵盖文档摄入、检索、会话管理等全流程性能优化成果：检索准确率提升24.1%，响应时间减少53.3%可观测性提升可视化检索轨迹：实现检索过程的白盒化，调试效率提升77.1%全面监控指标。阅读详情

“

大模型的世界，本质上是一场「万物皆可向量」的游戏。这篇文章带你从零开始，把「向量」这个看似抽象的概念，一路走到能跑起来的工程代码。

一、什么是向量？🧭

在深度学习的世界里，向量是最基础、也是最重要的概念之一。

它不仅用来表示数据，更贯穿了模型的输入、输出以及内部计算的每一个环节。下面我们从几个角度，把它彻底讲明白。

1. 基本定义

向量，本质上是一组有序排列的数字。这些数字被称为向量的「分量」或「元素」。

在二维空间里，一个点可以用「横坐标 + 纵坐标」两个数来表示；
在三维空间里，则需要「长、宽、高」三个数；
更一般地，在 n 维空间中，一个向量就是 n 个实数组成的序列。

2. 向量在机器学习中的作用

向量几乎撑起了机器学习的半边天：

特征表示：原始数据要先转换成数值形式，机器才能处理。这些特征值按顺序排好，就成了「特征向量」。
模型参数：很多算法内部都在学习「权重向量」。比如线性回归，就是在找一个最优的权重向量 w，让预测值和真实值的误差最小。
嵌入层（Embedding）：在 NLP 领域，词向量、句向量被用来捕捉文本语义。训练得到的词嵌入，能真实反映词语之间的语义关系。

3. 向量的运算规则

向量支持加法、减法、标量乘法等基础运算，还有内积（点积）、外积（叉积）等特殊运算。

正是这些运算，构建起了复杂神经网络的底层骨架。

4. 向量化编程

为了提升效率，工程师往往会用「向量化」技术——一次性对整个数组做运算，而不是逐个元素循环处理。

这种方式极大加速了计算，也让代码更简洁优雅。

5. 向量空间模型

这是信息检索中的经典方法：把文档表示成由词汇项组成的向量，每个维度对应一个术语，值则反映该术语在文档中的重要程度。

于是，「文档相似度」就变成了「向量相似度」的计算问题。

“

一句话总结：向量是连接理论与实践的桥梁。理解了向量，你就握住了理解现代大模型的钥匙。🔑

二、向量的数学本质 📐

向量是既有大小、又有方向的量。在数学中，我们通常用「有向线段」来表示它——线段的长度代表大小，箭头的指向代表方向。

关于向量，有几条关键性质值得记住：

向量只有方向和大小。等长、平行、同向的向量，因为大小和方向都一致，就是同一个向量，也叫相等向量。
两个向量相等可以用「＝」连接。但向量之间没有大于或小于关系，不能用「＞」「＜」连接。
方向相同或相反的向量，叫作共线向量，也叫平行向量。
向量之间可以用「∥」或「⊥」连接。其中「a∥b」表示 a 与 b 共线，「a⊥b」表示 a 与 b 所在直线互相垂直。
向量 a 的大小，又称长度、模长，简称模，记作｜a｜。
模长是数值而非向量，所以可以用「＞」「＜」比较大小。
长度为 0 的向量叫作零向量。
零向量与任意向量平行。
长度为 1 个单位的向量叫作单位向量。

三、什么是向量化？🔄

一句话：向量化，就是把文档、字符等内容，转换成一组浮点数组。

“

下图来源于 Qdrant 官方文档（向量检索概述章节）。

四、实战示例：LangChain4j + Qdrant 💻

理论讲够了，接下来上真代码。我们参考 LangChain4j 官方示例（Qdrant Embedding Store Example），来跑通整条链路。

官方案例：环境搭建

新建模块，配置 pom.xml：

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"  xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">  <modelVersion>4.0.0</modelVersion>  <parent>    <groupId>com.whc</groupId>    <artifactId>langChain4j-whc</artifactId>    <version>1.0-SNAPSHOT</version>  </parent>  <artifactId>langchain4j-whc-embedding</artifactId>  <packaging>jar</packaging>  <name>langchain4j-whc-embedding</name>  <properties>    <maven.compiler.source>17</maven.compiler.source>    <maven.compiler.target>17</maven.compiler.target>    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>  </properties>  <dependencies>    <dependency>      <groupId>org.springframework.boot</groupId>      <artifactId>spring-boot-starter-web</artifactId>    </dependency>    <!--langChain4j -->    <dependency>      <groupId>dev.langchain4j</groupId>      <artifactId>langchain4j-open-ai</artifactId>    </dependency>    <dependency>      <groupId>dev.langchain4j</groupId>      <artifactId>langchain4j</artifactId>    </dependency>    <dependency>      <groupId>dev.langchain4j</groupId>      <artifactId>langchain4j-reactor</artifactId>    </dependency>    <!--  阿里百炼平台 -->    <dependency>      <groupId>dev.langchain4j</groupId>      <artifactId>langchain4j-community-dashscope-spring-boot-starter</artifactId>    </dependency>    <!--lombok-->    <dependency>      <groupId>org.projectlombok</groupId>      <artifactId>lombok</artifactId>      <optional>true</optional>    </dependency>    <!--hutool-->    <dependency>      <groupId>cn.hutool</groupId>      <artifactId>hutool-all</artifactId>      <version>5.8.22</version>    </dependency>    <dependency>      <groupId>dev.langchain4j</groupId>      <artifactId>langchain4j-spring-boot-starter</artifactId>    </dependency>    <!--qdrant相关-->    <dependency>      <groupId>dev.langchain4j</groupId>      <artifactId>langchain4j-qdrant</artifactId>      <version>1.5.0-beta11</version>    </dependency>    <dependency>      <groupId>dev.langchain4j</groupId>      <artifactId>langchain4j-embeddings-all-minilm-l6-v2</artifactId>      <version>1.5.0-beta11</version>    </dependency>    <dependency>      <groupId>org.testcontainers</groupId>      <artifactId>qdrant</artifactId>      <version>1.19.6</version>    </dependency>  </dependencies>  <build>    <plugins>      <plugin>        <groupId>org.springframework.boot</groupId>        <artifactId>spring-boot-maven-plugin</artifactId>      </plugin>    </plugins>    </build></project>

核心代码（含详细注释）

在官方类的基础上稍作修改，并补充了完整注释，方便理解每一步在做什么：

public class QdrantEmbeddingStoreExample {    /**     * gRPC服务端口配置     * 用于连接向量数据库的gRPC通信端口     */    private static int grpcPort = 6334;    /**     * 集合名称配置     * 指定向量数据库中使用的集合名称     */    private static String collectionName = "langchain4j-whc";    /**     * 距离计算方式配置     * 设置向量相似度计算的距离度量方式为余弦距离     */    private static Collections.Distance distance = Collections.Distance.Cosine;    /**     * 向量维度配置     * 指定向量的维度大小为384维     */    private static int dimension = 384;    /**     * 数据库主机地址配置     * 向量数据库服务器的IP地址     */    private static final String HOST = "192.168.100.130";    /**     * 数据库端口配置     * 向量数据库服务的端口号，与gRPC端口相同     */    private static final int PORT = 6334;    /**     * 主函数，演示了使用Qdrant向量数据库进行文本嵌入存储和相似性搜索的完整流程     *     * @param args 命令行参数数组     * @throws ExecutionException 当异步执行出现异常时抛出     * @throws InterruptedException 当线程被中断时抛出     */    public static void main(String[] args) throws ExecutionException, InterruptedException {        // 创建Qdrant嵌入存储实例，用于存储和检索文本嵌入向量        EmbeddingStore<TextSegment> embeddingStore =        QdrantEmbeddingStore.builder()        .host(HOST)        .port(PORT)        .collectionName(collectionName)        .build();        // 创建Qdrant客户端，用于与Qdrant服务器进行通信        QdrantClient client =        new QdrantClient(            QdrantGrpcClient.newBuilder(HOST, PORT, false)            .build());        // 异步创建集合，定义向量的维度和距离计算方式        client        .createCollectionAsync(            collectionName,            Collections.VectorParams.newBuilder().setDistance(distance).setSize(dimension).build())        .get();        // 初始化嵌入模型，用于将文本转换为向量表示        EmbeddingModel embeddingModel = new AllMiniLmL6V2EmbeddingModel();        // 创建并存储第一个文本段落的嵌入向量        TextSegment segment1 = TextSegment.from("I've been to France twice.");        Embedding embedding1 = embeddingModel.embed(segment1).content();        embeddingStore.add(embedding1, segment1);        // 创建并存储第二个文本段落的嵌入向量        TextSegment segment2 = TextSegment.from("New Delhi is the capital of India.");        Embedding embedding2 = embeddingModel.embed(segment2).content();        embeddingStore.add(embedding2, segment2);        // 执行相似性搜索，查找与查询文本最相似的文本段落        Embedding queryEmbedding = embeddingModel.embed("Did you ever travel abroad?").content();        EmbeddingSearchRequest embeddingSearchRequest = EmbeddingSearchRequest.builder()        .queryEmbedding(queryEmbedding)        .maxResults(1)        .build();        List<EmbeddingMatch<TextSegment>> matches = embeddingStore.search(embeddingSearchRequest).matches();        EmbeddingMatch<TextSegment> embeddingMatch = matches.get(0);        // 输出匹配结果的相似度分数和文本内容        System.out.println(embeddingMatch.score());        System.out.println(embeddingMatch.embedded().text());    }}

这里的嵌入模型用的是 all-MiniLM-L6-v2。

“

💡 all-MiniLM-L6-v2 是 MiniLM 系列的一个小型语言模型，通过「知识蒸馏」技术从更大的模型压缩而来。它的目标是——在保持较高性能的同时，尽可能降低计算资源需求，非常适合本地和轻量场景。

✅ 测试一下

代码里把两条英文句子转成了向量并保存下来：

然后提问：哪句话更适合回答 "Did you ever travel abroad?"

结果如下：

0.7378319074630284I've been to France twice.

「我去过法国两次」——完美命中，模型准确理解了「出国旅行」的语义。🎯

五、接口方式：接入阿里百炼向量模型 🔌

模型选择

这里我们选用阿里云百炼平台的向量模型 text-embedding-v3。

配置类

@Slf4j@Getter@Configurationpublic class LlmConfig {    @Value("${ai.dashScope.apiKey}")    private String dashScopeApiKey;    @Value("${ai.dashScope.modelName}")    private String dashScopeModelName;    @Value("${ai.dashScope.baseUrl}")    private String dashScopeBaseUrl;    @Value("${qdrant.host}")    private String qdrantHost;    @Value("${qdrant.port}")    private int qdrantPort;    @Value("${qdrant.collectionName}")    private String qdrantCollectionName;    /**     * 创建EmbeddingModel 向量模型     *     * @return EmbeddingModel     */    @Bean    public EmbeddingModel embeddingModel() {        return OpenAiEmbeddingModel.builder()        .apiKey(dashScopeApiKey)        .modelName(dashScopeModelName)        .baseUrl(dashScopeBaseUrl)        .build();    }    /**     * 创建Qdrant客户端     *     * @return QdrantClient     */    @Bean    public QdrantClient qdrantClient() {        QdrantGrpcClient.Builder grpcClientBuilder =        QdrantGrpcClient.newBuilder(qdrantHost, qdrantPort, false);        return new QdrantClient(grpcClientBuilder.build());    }    @Bean    public EmbeddingStore<TextSegment> embeddingStore() {        return QdrantEmbeddingStore.builder()        .host(qdrantHost)        .port(qdrantPort)        .collectionName(qdrantCollectionName)        .build();    }}

YAML 配置

port: 9008  servlet:    encoding:      enabled: true      force: true      charset: UTF-8spring:  application:    name: langchain_whc_embeddingai:  dashScope:    # 配置dashScope    apiKey: ${AI_DASHSCOPE_API_KEY}    modelName: ${AI_DASHSCOPE_MODEL_NAME}    baseUrl: ${AI_DASHSCOPE_BASE_URL}qdrant:  host: ${QDRANT_HOST}  port: ${QDRANT_PORT}  collectionName: ${QDRANT_COLLECTION_NAME}

Controller

@Slf4j@RestController@RequiredArgsConstructorpublic class EmbeddingController {    private final LlmConfig llmConfig;    private final EmbeddingModel embeddingModel;    private final QdrantClient qdrantClient;    private final EmbeddingStore<TextSegment> embeddingStore;    @GetMapping(value = "/embedding/createCollection")    public void createCollection() {        var vectorParams = Collections.VectorParams.newBuilder()        .setDistance(Collections.Distance.Cosine)        .setSize(1024)        .build();        qdrantClient.createCollectionAsync(llmConfig.getQdrantCollectionName(), vectorParams);    }}

✅ 测试新增 Collection

访问接口：http://localhost:9008/embedding/createCollection

测试结果：成功新增了一个 Collection。

✅ 测试新增 Points

在 Controller 中增加接口，这次我们塞一首自创的词进去：

/**     * 处理GET请求，向嵌入存储中添加文本段落的嵌入向量     *     * @return 添加操作的结果标识符字符串     */    @GetMapping(value = "/embedding/add")    public String add() {        // 定义《永遇乐・师徒取经》词牌的文本内容作为待处理文本        String prompt = """                     永遇乐・师徒取经                万里西行，风沙漫卷，云路迢递。玄奘慈眉，凝眸西向，志比金石厉。                悟空火眼，金箍掣处，妖魅现形惊悸。笑猪痴、贪眠恋栈，也随杖履千里。                沙憎谨肃，行囊稳护，默默担当行李。九九磨难，千般险厄，终把真经觅。东归胜果，流传千古，漫说佛门真谛。                到如今、传奇犹在，世人共记。                     """;        // 将文本内容转换为文本段落对象，并添加元数据信息        TextSegment segment = TextSegment.from(prompt);        segment.metadata().put("author", "robot");        segment.metadata().put("title", "永遇乐・师徒取经");        // 生成文本段落的嵌入向量        Embedding embedding = embeddingModel.embed(segment).content();        // 将嵌入向量和文本段落添加到嵌入存储中        String result = embeddingStore.add(embedding, segment);        log.info(result);        return result;    }

测试效果：

“

你可以多塞几条 points 进去，让检索结果更有对比性。

✅ 测试查询

/**     * 处理/embedding/query1路径的GET请求，用于查询与"写爱情的诗"相关的嵌入向量匹配结果     * 该方法不接受参数，无返回值     */    @GetMapping(value = "/embedding/query")    public void query1() {        // 生成查询文本"写爱情的诗"的嵌入向量        Embedding queryEmbedding = embeddingModel.embed("与爱情相关的").content();        // 构建嵌入搜索请求        EmbeddingSearchRequest embeddingSearchRequest = EmbeddingSearchRequest.builder()                .queryEmbedding(queryEmbedding)                .build();        // 执行嵌入向量搜索        EmbeddingSearchResult<TextSegment> searchResult = embeddingStore.search(embeddingSearchRequest);        // 输出查询结果        searchResult.matches().forEach(match -> {            log.info("\n匹配度得分---->"+ match.score());            log.info("\n"+match.embedded().text());        });    }

测试结果有点意思——排序跟直觉略有出入：

当然，也可以加上过滤条件，精确锁定某个标题：

EmbeddingSearchRequest embeddingSearchRequest = EmbeddingSearchRequest.builder()                .queryEmbedding(queryEmbedding)                .filter(metadataKey("title").isEqualTo("鹧鸪天・别绪"))                .build();

六、写在最后 📝

从「向量是什么」到「用 LangChain4j + Qdrant 跑通一整套向量检索」，我们走完了从理论到工程的完整闭环：

理论层：向量是有序数字组，是大模型理解世界的语言；
工程层：向量化把文本变成浮点数组，向量数据库负责高效存储与相似度检索；
实践层：无论是本地的 all-MiniLM-L6-v2，还是云端的 text-embedding-v3，都能轻松接入。

理解了向量，你就理解了大模型「思考」的底层方式。剩下的，就是动手把它跑起来。💪

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～