Skywork AI Embedding 模型应用与向量检索指南-人工智能-PHP中文网

skywork embedding模型需通过api调用，不可离线使用；中文文档应按语义段落切分、过滤低信息密度块并添加元数据；向量库须设cosine距离且归一化，相似度阈值建议0.85左右。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

skywork ai embedding 模型应用与向量检索指南 - php中文网

你想用Skywork AI的Embedding模型把文档转成向量、存进向量库、再做语义检索，但卡在模型调用方式、中文分块策略或相似度阈值设置上。

确认Skywork Embedding模型是否可用

访问 https://skywork.ai/embedding → 查看页面右上角“Status”标签是否显示绿色“Online” → 若为灰色“Maintenance”或红色“Offline”，说明当前服务不可用，需改用本地部署方案。

注意：Skywork官方未开源Embedding模型权重，【所有调用必须走其API接口，无法离线加载模型文件】。

调用Skywork API生成文本向量

方法一：使用curl命令快速验证

打开终端，执行以下命令（替换YOUR_API_KEY为实际密钥）：

curl -X POST "https://api.skywork.ai/v1/embeddings" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"input": "今天天气不错", "model": "skywork-embedding-v2"}'

方法二：Python脚本批量处理

安装依赖：pip install requests

写入脚本embed_skywork.py：

import requests
def get_skywork_embedding(text):
  url = "https://api.skywork.ai/v1/embeddings"
  headers = {
    "Authorization": "Bearer YOUR_API_KEY",
    "Content-Type": "application/json"
  }
  data = {"input": text, "model": "skywork-embedding-v2"}
  res = requests.post(url, headers=headers, json=data)
  return res.json()["data"][0]["embedding"]

vec = get_skywork_embedding("向量检索比关键词搜索更懂用户意图")
print(len(vec)) # 应输出1024

这一步操作起来很简单，直接把文件拖进去就行。但要注意：单次请求input字段最大支持8192字符，超长文本必须先切块再分别调用。

中文文档切块与向量化最佳实践

第一步：按语义段落切分，而非固定字数

对PDF或Word文档，优先用PaddleOCR-VL或PP-StructureV3解析出标题、正文、列表、表格等结构单元；再以“标题+其下所有正文段”为一块，避免跨章节割裂上下文。

第二步：过滤低信息密度块

php获得文件的mime type类

下载

第三步：对每块添加元数据标签

在向量入库时，同步写入source_file、page_number、section_title三个字段；后续检索可加filter条件，比如只查《2025产品白皮书》第12页的技术参数部分。

构建向量库并执行语义检索

使用ChromaDB（轻量）或Milvus（高并发）存储向量：

pip install chromadb

import chromadb
client = chromadb.PersistentClient(path="./skywork_db")
collection = client.create_collection(name="tech_docs", metadata={"hnsw:space": "cosine"})

插入向量时，必须设置normalize_embeddings=True参数，否则余弦相似度计算结果失真。

执行检索：

query_vec = get_skywork_embedding("如何配置RAG流水线")
results = collection.query(
  query_embeddings=[query_vec],
  n_results=5,
  where={"source_file": {"$eq": "rag_guide.pdf"}}
)
for i, doc in enumerate(results["documents"][0]):
  print(f"Top{i+1}: {doc[:100]}...")

注意：Skywork-embedding-v2默认输出已归一化的1024维向量，【务必在创建collection时指定hnsw:space为cosine，不能用l2】。