Plugin de inserción

El complemento Embed es un envoltorio ligero alrededor de /api/embeddings de Ollama, más tres ayudantes útiles: similitud coseno, empaquetado compacto en base64 e inverso desempaquetado. El complemento RAG lo utiliza internamente, pero también es útil por sí solo — para clustering, deduplicación, búsqueda semántica y detección de anomalías.

API

$embed = (new \Nibiru\Module\Ai\Ai())->embed();

$vec     = $embed->one('controller');                  / float[]
$vectors = $embed->batch(['a', 'b', 'c']);             / float[][]

$score   = \Nibiru\Module\Ai\Plugin\Embed::cosine($a, $b);     / 0..1
$packed  = \Nibiru\Module\Ai\Plugin\Embed::pack($vec);          / base64 string
$vec     = \Nibiru\Module\Ai\Plugin\Embed::unpack($packed);     / back to float[]

Patrón: eliminar cadenas similares

$embed = $ai->embed();
$candidates = ['How do I create a module?',
               'How can I make a new module?',
               'What is MMVC?'];

$vecs = $embed->batch($candidates);
foreach ($vecs as $i => $a) {
    foreach ($vecs as $j => $b) {
        if ($i >= $j) continue;
        $sim = \Nibiru\Module\Ai\Plugin\Embed::cosine($a, $b);
        if ($sim > 0.9) {
            echo "Near-dup: {$candidates[$i]} ≈ {$candidates[$j]} ($sim)\n";
        }
    }
}

Patrón: etiquetado semántico

$tags = ['authentication', 'forms', 'database', 'modules'];
$tagVecs = array_combine($tags, $embed->batch($tags));

function bestTag(string $text, array $tagVecs, $embed): string {
    $tv = $embed->one($text);
    $best = ['_unknown', -INF];
    foreach ($tagVecs as $tag => $vec) {
        $s = \Nibiru\Module\Ai\Plugin\Embed::cosine($tv, $vec);
        if ($s > $best[1]) $best = [$tag, $s];
    }
    return $best[0];
}

echo bestTag('User::isAuthorized', $tagVecs, $embed);  / → 'authentication'
echo bestTag('Pageination::setTable', $tagVecs, $embed); / → 'database' (probably)

Almacenamiento

Las incrustaciones son arreglos de flotantes — generalmente 768 flotantes para nomic-embed-text, 1024 para mxbai-embed-large. Eso es 3 KB o 4 KB por vector en bruto.

Utiliza Embed::pack() para codificarlos en base64 como flotantes de 4 bytes:

$compact = Embed::pack($vec);    / ~4 KB → ~5.3 KB base64 string
$vec     = Embed::unpack($compact);

El complemento RAG utiliza este formato internamente para sus archivos JSON.

Elecciones de modelos de incrustación

Ejecute una extracción en su Ollama.ai una vez:

curl https://your-ollama-host.example/api/pull -d '{"name":"nomic-embed-text"}'   # 768 dim, default
curl https://your-ollama-host.example/api/pull -d '{"name":"mxbai-embed-large"}'  # 1024 dim, higher quality

En ai.ini:

[AI]
embed.model = "nomic-embed-text"
embed.dim   = 768

No mezcles modelos

Los vectores de nomic-embed-text y mxbai-embed-large viven en espacios geométricos diferentes — el coseno entre ellos no tiene sentido. Si cambias embed.model, restablece cualquier colección RAG o embeddings guardados antes de mezclarlos.

Trucos comunes

• Llamando a one() en un bucle ajustado. Cada llamada es una ronda HTTP. Para >100 elementos, prefiera batch() (todavía serial por debajo de la capa, pero con manejo de errores consistente).
• Almacenando matrices de flotantes brutos en JSON. Use pack() para archivos ~5 veces más pequeños y análisis más rápido.
• Comparando coseno a un umbral fijo. Los modelos de incrustación diferentes tienen diferentes líneas base de “similares”. No codifique duro 0.85 — calibre por modelo.