Go语言不内置文本Embedding功能，实用方案依赖OpenAI/Ollama等外部服务或CGO调用；纯Go实现因算子缺失、权重加载难、性能差而不可行。
Go 语言本身不提供文本 Embedding 生成功能，没有内置的 text-embedding 模型或 API；所有实用方案都依赖外部服务（如 OpenAI、Ollama、本地 ONNX 模型）或通过 CGO 调用 C/C++ 推理库——直接用纯 Go 实现高质量文本向量生成目前不可行。
调用 OpenAI / Azure OpenAI 的 embeddings API 最简单可靠
这是绝大多数 Go 项目实际采用的方式：避开模型训练/部署复杂度，专注业务逻辑。关键点不是“怎么算”，而是“怎么安全高效地发请求”。
- 必须用
POST https://api.openai.com/v1/embeddings（注意路径不是/v1/chat/completions） - 请求体是 JSON：
{"model": "text-embedding-3-small", "input": ["hello world"]}，input支持单字符串或字符串切片（批量请求省 token 和延迟） - 响应中向量在
response.Data[0].Embedding，类型是[]float64，长度由模型决定（如text-embedding-3-small是 1536 维） - 别硬编码
Authorization: Bearer xxx，用os.Getenv("OPENAI_API_KEY")+http.DefaultClient设置超时（建议10 * time.Second）
用 Ollama 在本地跑 all-minilm 类小模型（免 API Key）
适合离线环境或敏感文本，但需提前安装 Ollama 并拉取模型：ollama pull mxbai-embed-large 或 all-minilm。Go 侧只是 HTTP 客户端。
Golang Uber Dig
下载
使用 uber-go/dig 在 Golang 中实现依赖注入——基于反射容器，提供 Provide/Invoke、dig.In/dig.Out 参数与结果对象，支持命名依赖等
- Ollama Embedding API 路径是
POST http://localhost:11434/api/embeddings - 请求体为：
{"model": "mxbai-embed-large", "prompt": "your text here"}（注意字段名是prompt，不是input） - 响应结构不同：向量在
response.Embedding，且返回的是[]float64，不是嵌套数组 - Ollama 默认只支持单文本，批量需循环调用；而内存占用比 OpenAI SDK 低，适合边缘设备
为什么别碰纯 Go 实现的 Embedding 模型（如 onnx-go、gorgonia）
现有 Go 生态中没有成熟、可直接加载 HuggingFace .bin 或 .onnx 并推理的文本 Embedding 库。尝试会立刻撞上三个硬伤：
立即学习“go语言免费学习笔记（深入）”；
-
onnx-go不支持Attention、LayerNorm等 Transformer 核心算子，加载all-minilm直接 panic -
gorgonia缺少预训练权重加载能力，你得自己解析 PyTorch bin 文件并手动映射参数——这已超出 Go 工程范畴 - 即使勉强跑通，CPU 推理速度比 Python+ONNX Runtime 慢 3–5 倍，且无量化支持，1536 维向量单次耗时常超 2s
真正卡点不在代码怎么写，而在选型时是否意识到：Embedding 是计算密集型任务，Go 的优势是并发调度和 HTTP 客户端，不是数值计算。把向量生成交给专用服务，用 Go 做 glue layer，才是稳定落地的路径。
