- RAG项目采取的是通义千问的 text-embedding-v4 ，主要是针对中文语境进行了专门的处理，支持2048维度向量输出，适合复杂语义匹配任务
- Embedding = 把一段文字转换成一个浮点数字符串，比如 2028 维度就是一个文本变成 float[2028] 这么大一个浮点数组。一些其他的维度，小维度 64,128,256，常用维度 768 最经典，维度不能自己更改，是大模型训练时固定好了的
- 核心自己配置 EmbeddingClient 类。包含向量转换方法，传入 List 文本集合， 默认 batchSize = 100,也就是一次处理 100 个 String 文本块。通过 webClient 发送 Post 请求返回的是 JSON 字符串。
- 对于 JSON 字符串我们要自己处理。通过 objectMapper 生成 JSON 对象，一层层的把 data, embedding 剥离出来，最后再把里面的数据转换成 float 类型。
{"data": [{"embedding": [0.1, 0.2, 0.3]},{"embedding": [0.4, 0.5, 0.6]}]
}
- 最后添加到一个 List<Float[]> 集合里面整体返回
