Titan Embeddings
提供 Bedrock Titan 嵌入模型。Amazon Titan 基础模型(FMs)通过完全托管的 API,为客户提供了一系列高性能的图像、多模态嵌入和文本模型选择。 Amazon Titan 模型由 AWS 创建,并在大型数据集上进行了预训练,使其成为强大的通用模型,旨在支持多种使用场景,同时支持 AI 的负责任使用。 可以直接使用它们,或使用自己的数据进行私人定制。
AWS Bedrock Titan 模型页面 和 Amazon Bedrock 用户指南 包含了关于如何使用 AWS 托管模型的详细信息。
前提条件(Prerequisites)
请参考 Spring AI 关于 Amazon Bedrock 的文档 以设置 API 访问权限。
添加存储库和 BOM
Spring AI 工件发布在 Spring Milestone
和 Snapshot
存储库中。请参阅存储库部分将这些存储库添加到您的构建系统中。
为了帮助进行依赖管理,Spring AI 提供了 BOM(物料清单),以确保在整个项目中使用一致的 Spring AI 版本。请参阅依赖管理部分将 Spring AI BOM 添加到您的构建系统。
自动配置(Auto-configuration)
Spring AI 为 Bedrock Titan 嵌入模型提供 Spring Boot 自动配置。要启用它,请在项目的 Maven pom.xml
文件中添加以下依赖项:
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-bedrock</artifactId>
</dependency>
或者,在你的 Gradle 构建文件 build.gradle
中添加:
dependencies {
implementation 'org.springframework.ai:spring-ai-starter-model-bedrock'
}
启用 Titan 嵌入支持
默认情况下,Titan 嵌入模型是禁用的。要启用它,请在您的应用程序配置中将 spring.ai.model.embedding
属性设置为 bedrock-titan
:
spring.ai.model.embedding=bedrock-titan
或者,您也可以使用 Spring 表达式语言(SpEL)来引用一个环境变量:
# In application.yml
spring:
ai:
model:
embedding: ${AI_MODEL_EMBEDDING}
# In your environment or .env file
export AI_MODEL_EMBEDDING=bedrock-titan
您也可以在启动应用程序时通过 Java 系统属性来设置此属性:
java -Dspring.ai.model.embedding=bedrock-titan -jar your-application.jar
嵌入属性(Embedding Properties)
前缀spring.ai.bedrock.aws
是用于配置连接到 AWS Bedrock 的属性前缀。
属性 | 描述 | 默认值 |
---|---|---|
spring.ai.bedrock.aws.region | 使用的AWS区域 | us-east-1 |
spring.ai.bedrock.aws.access-key | AWS访问密钥 | - |
spring.ai.bedrock.aws.secret-key | AWS密钥 | - |
前缀 spring.ai.bedrock.cohere.embedding
(定义于 ‘BedrockCohereEmbeddingProperties‘ 中)是用于配置 Cohere 嵌入模型实现的属性前缀。
查看 CohereEmbeddingModel 以获取其他模型 ID。 支持的模型包括:cohere.embed-multilingual-v3
和 cohere.embed-english-v3
。 模型 ID 值也可在 AWS Bedrock 基础模型 ID 文档 中找到。
属性 | 描述 | 默认值 |
---|---|---|
spring.ai.bedrock.titan.embedding.enabled (已移除且无效) | 启用/禁用Titan嵌入支持 | false |
spring.ai.model.embedding | 启用/禁用Titan嵌入支持 | bedrock-titan |
spring.ai.bedrock.titan.embedding.model | 使用的模型ID,支持的模型请参考TitanEmbeddingModel |
amazon.titan-embed-image-v1 |
运行时选项(Runtime Options )
BedrockTitanEmbeddingOptions.java 提供模型配置,例如 input-type。
启动时,默认选项可以通过 BedrockTitanEmbeddingModel (api).withInputType (type)
方法或 spring.ai.bedrock.titan.embedding.input-type
属性进行配置。
在运行时,您可以通过向 EmbeddingRequest
调用添加新的、特定于请求的选项来覆盖默认设置。例如,要为特定请求覆盖默认的 input-type
:
EmbeddingResponse embeddingResponse = embeddingModel.call(
new EmbeddingRequest(List.of("Hello World", "World is big and salvation is near"),
BedrockTitanEmbeddingOptions.builder()
.withInputType(InputType.TEXT)
.build()));
示例控制器(Sample Controller)
创建一个新的 Spring Boot 项目,并将 spring-ai-starter-model-bedrock
添加到 pom (或 gradle) 依赖项中。
在 src/main/resources
目录下添加 application.properties
文件,以启用和配置 Cohere Embedding 模型:
spring.ai.bedrock.aws.region=eu-central-1
spring.ai.bedrock.aws.access-key=${AWS_ACCESS_KEY_ID}
spring.ai.bedrock.aws.secret-key=${AWS_SECRET_ACCESS_KEY}
spring.ai.model.embedding=bedrock-cohere
spring.ai.bedrock.cohere.embedding.options.input-type=search-document
这将创建一个 BedrockCohereEmbeddingModel 的实现,你可以将其注入到你的类中。下面是一个简单的 @Controller 类的示例,它使用聊天模型进行文本生成。
@RestController
public class EmbeddingController {
private final BedrockTitanEmbeddingModel embeddingModel;
@Autowired
public EmbeddingController(BedrockTitanEmbeddingModel embeddingModel) {
this.embeddingModel = embeddingModel;
}
@GetMapping("/ai/embedding")
public Map<String, Object> embed(@RequestParam(value = "message", defaultValue = "Tell me a joke") String message) {
EmbeddingResponse embeddingResponse = this.embeddingModel.embedForResponse(List.of(message));
return Map.of("embedding", embeddingResponse);
}
}
手动配置(Manual Configuration)
BedrockTitanEmbeddingModel 实现了 EmbeddingModel,并利用轻量级 TitanEmbeddingBedrockApi 客户端 连接至 Bedrock Titan 服务。
要启用它,添加 spring-ai-bedrock
依赖到你的项目 Maven pom.xml
文件:
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-bedrock</artifactId>
</dependency>
或者,在你的 Gradle 构建文件 build.gradle
中添加:
dependencies {
implementation 'org.springframework.ai:spring-ai-bedrock'
}
接下来,创建一个 BedrockTitanEmbeddingModel
并将其用于文本嵌入:
var titanEmbeddingApi = new TitanEmbeddingBedrockApi(
TitanEmbeddingModel.TITAN_EMBED_IMAGE_V1.id(), Region.US_EAST_1.id());
var embeddingModel = new BedrockTitanEmbeddingModel(this.titanEmbeddingApi);
EmbeddingResponse embeddingResponse = this.embeddingModel
.embedForResponse(List.of("Hello World")); // NOTE titan does not support batch embedding.
轻量级 TitanEmbeddingBedrockApi 客户端
TitanEmbeddingBedrockApi 在 AWS Bedrock 的 Titan Embedding 模型 之上提供了一个轻量级的 Java 客户端。。
以下类图展示了 TitanEmbeddingBedrockApi 接口及其构建模块:
TitanEmbeddingBedrockApi 支持使用 amazon.titan-embed-image-v1
和 amazon.titan-embed-image-v1
模型进行单次及批量嵌入计算。
以下是一个简单的代码片段,展示如何以编程方式使用该 API:
TitanEmbeddingBedrockApi titanEmbedApi = new TitanEmbeddingBedrockApi(
TitanEmbeddingModel.TITAN_EMBED_TEXT_V1.id(), Region.US_EAST_1.id());
TitanEmbeddingRequest request = TitanEmbeddingRequest.builder()
.withInputText("I like to eat apples.")
.build();
TitanEmbeddingResponse response = this.titanEmbedApi.embedding(this.request);
要将图片嵌入,需先将其转换为 base64 格式:
TitanEmbeddingBedrockApi titanEmbedApi = new TitanEmbeddingBedrockApi(
TitanEmbeddingModel.TITAN_EMBED_IMAGE_V1.id(), Region.US_EAST_1.id());
byte[] image = new DefaultResourceLoader()
.getResource("classpath:/spring_framework.png")
.getContentAsByteArray();
TitanEmbeddingRequest request = TitanEmbeddingRequest.builder()
.withInputImage(Base64.getEncoder().encodeToString(this.image))
.build();
TitanEmbeddingResponse response = this.titanEmbedApi.embedding(this.request);
最后编辑:Jeebiz 更新时间:2025-08-31 23:07