PHP 8.3可通过调用DashScope等Embedding API生成向量，结合Qdrant等向量数据库实现语义检索：先向量化文本并存储，再对查询向量化后相似度匹配，辅以Redis缓存和预处理优化。
PHP 8.3 本身不内置 AI 能力，但可通过调用支持 Embedding 的第三方 AI 服务（如 OpenAI、Ollama、DashScope、Hugging Face Inference API 等），结合向量数据库（如 Pinecone、Qdrant、Milvus 或轻量级 SQLite + ANN 扩展），实现语义检索。关键在于：生成文本向量 → 存储向量及元数据 → 查询时向量化输入并相似度匹配。
1. 选择并接入 Embedding API 服务
推荐使用稳定、文档清晰、有 PHP SDK 或易 HTTP 调用的服务：
- OpenAI：`text-embedding-3-small` / `text-embedding-3-large`，需 API Key，响应快、质量高；
- DashScope（阿里云）：免费额度充足，支持中文优化，`text-embedding-v3` 接口兼容 OpenAI 格式；
- Ollama（本地部署）：适合隐私敏感场景，运行 `nomic-embed-text` 或 `mxbai-embed-large`，通过 HTTP 调用 `http://localhost:11434/api/embeddings`；
- Hugging Face Inference Endpoints：可部署 `BAAI/bge-m3` 等开源模型，需自行管理 endpoint 和 token。
以 DashScope 为例（兼容 OpenAI SDK 风格），安装官方 SDK：composer require alibabacloud/dashscope
调用示例：
$client = new \AlibabaCloud\DashScope\V1\Client([
'access_token' => 'your-dashscope-token',
]);
$response = $client->embeddings()->create([
'model' => 'text-embedding-v3',
'input' => ['今天天气真好', '阳光明媚适合散步'],
]);
$embeddings = array_column($response['data'], 'embedding'); // 得到二维浮点数组
2. 存储 Embedding 向量与原始文本
不建议直接用 MySQL 存二进制向量（性能差），优先选专为向量设计的数据库：
-
Qdrant（推荐）：Rust 编写、轻量、支持 PHP 客户端（
qdrant-client/qdrant-client），支持过滤、分页、多向量字段； - Pinecone：全托管，SDK 成熟，但国内访问略慢；
- SQLite + sqlite-vec 扩展（PHP 8.3 可行）：极简方案，需编译启用 sqlite-vec，适合小规模 PoC 或 CLI 工具。
Qdrant 插入示例（使用 qdrant-client/qdrant-client）：
修复 Core bailout 状态损坏安全问题，以及 BZ2、DOM、PDO、Opcache/JIT 内存与执行错误，改进 Unicode 字素处理、URL 解析、TLS 流状态、信号分发及会话错误处理。
use Qdrant\Client;
use Qdrant\Models\PointsStruct;
$client = new Client(['host' => 'http://localhost:6333']);
$client->collections()->create('docs', [
'vectors' => ['size' => 1024, 'distance' => 'Cosine']
]);
$client->points()->upsert('docs', new PointsStruct([
['id' => 1, 'vector' => $embeddings[0], 'payload' => ['text' => '今天天气真好', 'url' => '/post/1']],
['id' => 2, 'vector' => $embeddings[1], 'payload' => ['text' => '阳光明媚适合散步', 'url' => '/post/2']],
]));
3. 执行语义检索（搜索最相似文本）
对用户查询文本同样调用 Embedding API 获取向量，再发向量搜索请求：
// 1. 向量化查询
$queryEmbed = $client->embeddings()->create([
'model' => 'text-embedding-v3',
'input' => ['天气不错想出门']
])['data'][0]['embedding'];
// 2. 在 Qdrant 中搜索
$result = $client->points()->search('docs', [
'vector' => $queryEmbed,
'limit' => 3,
'with_payload' => true,
]);
foreach ($result['result'] as $hit) {
echo sprintf("相似度 %.3f → %s\n", $hit['score'], $hit['payload']['text']);
}
注意：Qdrant 默认返回余弦相似度（Cosine），值越接近 1 越相似；若用 Euclidean 距离，需取反或转换。
4. 实用优化建议
- 缓存 Embedding 结果：对高频文本（如文档标题、FAQ 条目）做 Redis 缓存，key 为文本 hash，避免重复调用 API；
- 预处理文本：去除 HTML 标签、统一空格、截断超长文本（多数 Embedding 模型有 max length，如 8192 token，但实际建议 ≤ 512 字符）；
- 混合检索：先用关键词（Elasticsearch）初筛，再对结果集做向量重排（re-ranking），兼顾效率与精度；
- 错误兜底：API 调用失败时返回空数组或 fallback 到关键词匹配，避免整个检索流程中断。
PHP 8.3 的 JIT 和类型系统能提升向量处理稳定性，但核心瓶颈仍在网络 I/O 和向量库性能。从 DashScope + Qdrant 组合起步，本地验证通路后，再按需扩展集群或切到私有模型。
php免费学习视频：立即使用
踏上前端学习之旅，开启通往精通之路！从前端基础到项目实战，循序渐进，一步一个脚印，迈向巅峰！
