事情是这样的。
上周，我负责的一个智能问答项目，老板突然说一句话：
“小米啊，我们要做知识库检索，搞个类似 RAG 的东西，支持语义搜索。”
我当场愣住：语义搜索？知识库？向量？Embedding？
老板微微一笑：“别慌，用 SpringAI 接智谱 AI。”
那一刻，我的人生仿佛听见了 命运的 Callback。于是，就有了今天这篇文章。
什么是智谱 AI 向量模型？通俗地讲：Embedding 向量 = 语义世界里的坐标
我们平时的文字，比如：
“今天天气真好”
“阳光明媚，适合出门”
虽然字完全不同，但意思很接近。Embedding 模型的工作就是：
把这些文字转成一串数字向量
在向量空间里，相似语义的文本离得更近
在智谱 AI 里，你可以理解为：
它们在向量空间中“彼此靠近”，之后你只需要使用向量相似度搜索，就能实现语义检索。而 Spring AI 则是帮我们用 Spring Boot 的方式，优雅地接入智谱 AI。
这，就是我们今天的主线任务。
先决条件：开打前必须准备的装备在开搞之前，你要准备三样东西：
JDK 17+（Spring AI 对 JDK 版本有要求）
Spring Boot 3.x
智谱 AI 的 API Key
获取智谱 Key 的地方就不展开了，反正你登录智谱平台，创建应用就能拿到类似这样的：
YOUR_ZHIPU_API_KEY
记好，这就是你进入“Embedding 镇”的通行证。
添加仓库和 BOM因为 Spring AI 目前还在飞速进化中，所以我们一般要加它的仓库与 BOM。
在 pom.xml 中添加：
然后引入智谱 AI Embedding 相关依赖：
至此，你和 SpringAI + 智谱 AI 的缘分就此开始。
自动配置机制：Spring AI 的“魔法”Spring AI 是完全遵循 Spring Boot 的自动配置思路的。
只要你在 application.yml 中配置好：
Spring Boot 在启动的时候：
会自动装配 ZhiPuAiEmbeddingClient
会自动注入到 Spring 容器中
你只管用，剩下的交给 Starter。是不是很 Spring？
Embedding 属性详解下面是干货最密集的一部分：配置属性详解。我拆成三个表。
1. 重试属性表
这些属性用于控制：调用智谱模型失败后的重试行为。
实际业务中，如果你在高并发环境中使用，强烈建议好好配置一波。
2. 连接属性表
控制你如何连接智谱 AI 服务。
如果你是在内网部署，可以改 base-url 走代理。
3. Embedding 核心配置属性
这些是跟向量生成直接相关的：
其中 model 可以根据智谱当前支持的情况调整，比如：
embedding-2
embedding-3（未来可能更新）
运行时选项：ZhiPuAiEmbeddingOptions除了配置文件，我们还可以在运行时动态指定参数。Spring AI 提供了一个对象：
ZhiPuAiEmbeddingOptions
示例：
这样你就可以在不同业务场景下：
使用不同模型
使用不同向量维度
不用改全局配置，优雅得一批。
示例控制器：真刀真枪搞起来终于，轮到重头戏了。
一个最简单的 Embedding Controller：
访问：
GET /embedding/vector?text=今天天气很好
返回的就是：
[0.2331, -0.5921, 0.1893, ...]
你就可以把这个向量丢进：
Milvus
FAISS
PGVector
Qdrant
实现各种语义搜索场景。是不是特别爽？
手动配置：给强迫症程序员的浪漫如果你不想用 Spring Boot 的自动配置，也可以手动 Bean：
适合那些想完全掌控细节、或者做多模型隔离的场景。
为什么我要用 Spring AI + 智谱？最后说点大实话。我尝试过：
手撸 HTTP 调用
写 SDK 适配
接第三方中间层
但自从我用了 Spring AI + 智谱 AI：
接入快
风格统一
适合微服务
直接适配后续 RAG / Function Calling / Chat 模型
最重要的是：
代码真的变少了，头发也少掉几根……
总结一波今天学到的重点我们今天一口气聊完了：
智谱 AI 向量模型原理
Spring AI 自动接入方式
Embedding 属性完整配置
重试 + 连接 + 核心参数表格
运行时选项 ZhiPuAiEmbeddingOptions
Controller 实战
自动配置 & 手动配置对比
如果你接下来要做：
知识库问答
AI 搜索
语义推荐
相似文本匹配
那这一套：
Spring AI + 智谱 AI Embedding = 你项目里最香的一块积木。