Embedding 模型

Mastra 的模型路由器支持 Embedding 模型，并使用与语言模型相同的 provider/model 字符串格式。这样便可通过统一接口使用聊天模型和 Embedding 模型，同时获得 TypeScript 自动补全支持。

快速开始

import { ModelRouterEmbeddingModel } from '@mastra/core/llm'
import { embedMany } from 'ai'

// Generate embeddings
const { embeddings } = await embedMany({
  model: new ModelRouterEmbeddingModel('openai/text-embedding-3-small'),
  values: ['Hello world', 'Semantic search is powerful'],
})

支持的模型

OpenAI

• text-embedding-3-small - 1536 维，最多 8191 个 token
• text-embedding-3-large - 3072 维，最多 8191 个 token
• text-embedding-ada-002 - 1536 维，最多 8191 个 token

const embedder = new ModelRouterEmbeddingModel('openai/text-embedding-3-small')

Google

• gemini-embedding-001 - 768 维，最多 2048 个 token

const embedder = new ModelRouterEmbeddingModel('google/gemini-embedding-001')

VoyageAI

VoyageAI 提供针对检索任务优化的专用 Embedding 模型。这些模型以独立 package 的形式提供：

npm

npm install @mastra/voyageai

pnpm

pnpm add @mastra/voyageai

Yarn

yarn add @mastra/voyageai

Bun

bun add @mastra/voyageai

可用模型：

• voyage-4-large - 默认 1024 维，支持 256–2048 维，提供最佳的通用和多语言检索质量（每批最多 12 万个 token）
• voyage-4 - 默认 1024 维，支持 256–2048 维，针对通用和多语言检索优化（每批最多 32 万个 token）
• voyage-4-lite - 默认 1024 维，支持 256–2048 维，针对延迟和成本优化（每批最多 100 万个 token）
• voyage-code-3 - 默认 1024 维，支持 256–2048 维，针对代码检索优化
• voyage-finance-2 - 1024 维，针对金融检索和 RAG 优化
• voyage-law-2 - 1024 维，针对法律检索和 RAG 优化（16k 上下文）
• voyage-3-large - 默认 1024 维，支持 256–2048 维（上一代）
• voyage-3.5 - 默认 1024 维，支持 256–2048 维（上一代）
• voyage-3.5-lite - 默认 1024 维，支持 256–2048 维，针对延迟和成本优化（上一代）
• voyage-multimodal-3.5 - 1024 维，支持文本和图片

import { voyage, voyageEmbedding } from '@mastra/voyageai'

// Use default model (voyage-3.5)
const { embeddings } = await voyage.doEmbed({
  values: ['Hello world'],
})

// Use specific model (voyage-3-large)
const largeEmbeddings = await voyage.large.doEmbed({
  values: ['More complex content'],
})

// Custom configuration
const customModel = voyageEmbedding({
  model: 'voyage-3.5',
  inputType: 'query', // or 'document'
  outputDimension: 512, // 256, 512, 1024, or 2048
  baseUrl: 'https://ai.mongodb.com/v1', // Optional: custom endpoint (e.g. MongoDB-hosted Voyage)
})

const { embeddings: customEmbeddings } = await customModel.doEmbed({
  values: ['Custom configuration example'],
})

配合 MongoDB 使用 VoyageAI：

VoyageAI 可与 MongoDB Atlas Vector Search 无缝配合：

import { voyage } from '@mastra/voyageai'
import { MongoDBVector } from '@mastra/mongodb'

const mongoVector = new MongoDBVector({
  id: 'mongodb-vector',
  uri: process.env.MONGODB_URI,
  dbName: process.env.MONGODB_DB_NAME,
})

// Create index matching VoyageAI dimensions
await mongoVector.createIndex({
  indexName: 'documents',
  dimension: 1024, // voyage-3.5 default
})

// Generate and store embeddings
const { embeddings } = await voyage.doEmbed({
  values: chunks.map(chunk => chunk.text),
})

await mongoVector.upsert({
  indexName: 'documents',
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
})

多模态 Embedding（文本 + 图片）：

import { voyage } from '@mastra/voyageai'

const { embeddings } = await voyage.multimodal.doEmbed({
  values: [
    {
      content: [
        { type: 'text', text: 'Product description' },
        { type: 'image_url', image_url: 'https://example.com/image.jpg' },
      ],
    },
  ],
})

更多详情请参阅 MongoDB + VoyageAI 集成指南。

认证

模型路由器会自动从环境变量中检测 API key：

• OpenAI: OPENAI_API_KEY
• Google：GOOGLE_API_KEY（fallback 为 GOOGLE_GENERATIVE_AI_API_KEY）
• VoyageAI: VOYAGE_API_KEY

# .env
OPENAI_API_KEY=sk-...
GOOGLE_API_KEY=...
VOYAGE_API_KEY=pa-...

自定义 Provider

你可以通过自定义 URL 使用任意兼容 OpenAI 的 Embedding endpoint：

import { ModelRouterEmbeddingModel } from '@mastra/core/llm'

const embedder = new ModelRouterEmbeddingModel({
  providerId: 'ollama',
  modelId: 'nomic-embed-text',
  url: 'http://localhost:11434/v1',
  apiKey: 'not-needed', // Some providers don't require API keys
})

配合 Memory 使用

Embedding 模型路由器可与 Mastra 的 Memory 系统无缝集成：

import { Memory } from '@mastra/memory'
import { Agent } from '@mastra/core/agent'
import { ModelRouterEmbeddingModel } from '@mastra/core/llm'

const agent = new Agent({
  id: 'my-agent',
  name: 'my-agent',
  instructions: 'You are a helpful assistant',
  model: 'openai/gpt-5.1',
  memory: new Memory({
    embedder: new ModelRouterEmbeddingModel('openai/text-embedding-3-small'),
  }),
})

信息

embedder 字段接受以下值：

• EmbeddingModelId（支持自动补全的字符串）
• EmbeddingModel<string> (AI SDK v1)
• EmbeddingModelV2<string> (AI SDK v2)

配合 RAG 使用

使用 Embedding 模型进行文档分块和检索：

import { ModelRouterEmbeddingModel } from '@mastra/core/llm'
import { embedMany } from 'ai'

// Embed document chunks
const { embeddings } = await embedMany({
  model: new ModelRouterEmbeddingModel('openai/text-embedding-3-small'),
  values: chunks.map(chunk => chunk.text),
})

// Store embeddings in your vector database
await vectorStore.upsert(
  chunks.map((chunk, i) => ({
    id: chunk.id,
    vector: embeddings[i],
    metadata: chunk.metadata,
  })),
)

TypeScript 支持

模型路由器为 Embedding 模型 ID 提供完整的 TypeScript 自动补全：

import type { EmbeddingModelId } from '@mastra/core'

// Type-safe embedding model selection
const modelId: EmbeddingModelId = 'openai/text-embedding-3-small'
//                                  ^ Autocomplete shows all supported models

const embedder = new ModelRouterEmbeddingModel(modelId)

错误处理

模型路由器会在构造时验证 Provider 和模型 ID：

try {
  const embedder = new ModelRouterEmbeddingModel('invalid/model')
} catch (error) {
  console.error(error.message)
  // "Unknown provider: invalid. Available providers: openai, google"
}

缺失 API key 的问题也会被及早发现：

try {
  const embedder = new ModelRouterEmbeddingModel('openai/text-embedding-3-small')
  // Throws if OPENAI_API_KEY is not set
} catch (error) {
  console.error(error.message)
  // "API key not found for provider openai. Set OPENAI_API_KEY environment variable."
}

后续步骤

• Memory 与语义回忆：使用 Embedding 实现 Agent Memory
• RAG 与分块：构建检索增强生成系统
• 向量数据库：存储和查询 Embedding