嵌入模型

Mastra 的模型路由器支援嵌入模型，使用與語言模型相同的 provider/model 字串格式。這為聊天模型與嵌入模型提供統一介面，並支援 TypeScript 自動完成。

快速開始

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'],
})

支援的模型

OpenAI

• text-embedding-3-small - 1536 維，最多 8191 個 token
• text-embedding-3-large - 3072 維，最多 8191 個 token
• text-embedding-ada-002 - 1536 維，最多 8191 個 token

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

Google

• gemini-embedding-001 - 768 維，最多 2048 個 token

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

VoyageAI

VoyageAI 提供針對檢索工作最佳化的專用嵌入模型。這些模型以獨立套件的形式提供：

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 - 1024 維（預設），支援 256 至 2048 維，具備最佳的通用及多語言檢索品質（每批最多 120k 個 token）
• voyage-4 - 1024 維（預設），支援 256 至 2048 維，針對通用及多語言檢索最佳化（每批最多 320k 個 token）
• voyage-4-lite - 1024 維（預設），支援 256 至 2048 維，針對延遲與成本最佳化（每批最多 1M 個 token）
• voyage-code-3 - 1024 維（預設），支援 256 至 2048 維，針對程式碼檢索最佳化
• voyage-finance-2 - 1024 維，針對金融檢索與 RAG 最佳化
• voyage-law-2 - 1024 維，針對法律檢索與 RAG 最佳化（16k 上下文）
• voyage-3-large - 1024 維（預設），支援 256 至 2048 維（上一代）
• voyage-3.5 - 1024 維（預設），支援 256 至 2048 維（上一代）
• voyage-3.5-lite - 1024 維（預設），支援 256 至 2048 維，針對延遲與成本最佳化（上一代）
• voyage-multimodal-3.5 - 1024 維，支援文字與圖片

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'],
})

VoyageAI 與 MongoDB 搭配使用：

VoyageAI 可與 MongoDB Atlas Vector Search 順暢整合：

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 })),
})

多模態嵌入（文字與圖片）：

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' },
      ],
    },
  ],
})

如需更多詳細資訊，請參閱 MongoDB + VoyageAI 整合指南。

驗證

模型路由器會自動從環境變數偵測 API 金鑰：

• OpenAI：OPENAI_API_KEY
• Google：GOOGLE_API_KEY（若無則改用 GOOGLE_GENERATIVE_AI_API_KEY）
• VoyageAI：VOYAGE_API_KEY

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

自訂 Provider

你可以透過自訂 URL，使用任何與 OpenAI 相容的嵌入端點：

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
})

搭配 Memory 使用

嵌入模型路由器可與 Mastra 的記憶系統順暢整合：

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'),
  }),
})

資訊

embedder 欄位接受：

• EmbeddingModelId（支援自動完成的字串）
• EmbeddingModel<string>（AI SDK v1）
• EmbeddingModelV2<string>（AI SDK v2）

搭配 RAG 使用

使用嵌入模型進行文件分塊與檢索：

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 支援

模型路由器可為嵌入模型 ID 提供完整的 TypeScript 自動完成：

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)

錯誤處理

模型路由器會在建構時驗證 Provider 與模型 ID：

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

缺少 API 金鑰的情況也會及早被偵測：

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."
}

後續步驟

• Memory 與語意回想：使用嵌入功能實作 Agent 記憶
• RAG 與分塊：建置檢索增強生成系統
• 向量資料庫：儲存及查詢嵌入向量