@keo-ai/axiom 0.2.3 → 0.2.6

package/README.md

@@ -926,16 +926,16 @@ const multi = await EmbeddingSearch.query('query', {
 
 ### 生成 Embedding
 
-如果你只需要把文本转成向量，直接用 `embed`：
+如果你只需要把文本转成向量，直接用 `EmbeddingSearch.embed`：
 
 ```ts
-import { embed } from '@keo-ai/axiom';
+import { EmbeddingSearch } from '@keo-ai/axiom';
 
-const vector = await embed('衣服质量怎么样');
+const vector = await EmbeddingSearch.embed('衣服质量怎么样');
 // vector: number[]，默认 1024 维
 
 // 指定维度（1 ~ 1024）
-const vector256 = await embed('衣服质量怎么样', 256);
+const vector256 = await EmbeddingSearch.embed('衣服质量怎么样', 256);
 ```
 
 | 参数 | 类型 | 默认值 | 说明 |
@@ -943,6 +943,28 @@ const vector256 = await embed('衣服质量怎么样', 256);
 | `text` | `string` | — | 要转成向量的文本（必填） |
 | `dimensions` | `number` | `1024` | 输出维度（1 ~ 1024） |
 
+### 批量生成 Embedding
+
+需要一次性把多篇文本转成向量时，使用 `EmbeddingSearch.batchEmbed`：
+
+```ts
+import { EmbeddingSearch } from '@keo-ai/axiom';
+
+const texts = ['衣服质量怎么样', '物流速度快吗', '售后服务如何'];
+const vectors = await EmbeddingSearch.batchEmbed(texts);
+// vectors: number[][]，顺序与输入文本一致
+
+// 指定维度
+const vectors256 = await EmbeddingSearch.batchEmbed(texts, 256);
+```
+
+| 参数 | 类型 | 默认值 | 说明 |
+|---|---|---|---|
+| `texts` | `string[]` | — | 要转成向量的文本数组（必填） |
+| `dimensions` | `number` | `1024` | 输出维度（1 ~ 1024） |
+
+> ⚠️ `EmbeddingSearch.batchEmbed` 单次最多支持 **25 条**文本（DashScope 兼容接口限制）。超过此数量请先自行分批。返回向量的顺序与输入顺序一致。
+
 ### 纯向量检索（已有向量）
 
 `EmbeddingSearch.query` 会自动把文本转成向量并做 rerank。如果你**已经有了向量**（比如自己生成的 embedding），只想做最原始的 pgvector 近邻搜索，用 `EmbeddingSearch.vectorSearch`：

package/dist/embedding_search/embed.d.ts

@@ -1 +1,6 @@
 export declare function embed(text: string, dimensions?: number): Promise<number[]>;
+/**
+ * 批量获取文本向量。
+ * 阿里云 DashScope 的兼容接口支持 input 为数组，但单次有数量上限。
+ */
+export declare function embedBatch(texts: string[], dimensions?: number): Promise<number[][]>;

package/dist/embedding_search/embed.js

@@ -10,29 +10,32 @@ var __awaiter = (this && this.__awaiter) || function (thisArg, _arguments, P, ge
 };
 Object.defineProperty(exports, "__esModule", { value: true });
 exports.embed = embed;
+exports.embedBatch = embedBatch;
 const EMBEDDING_URL = 'https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings';
 const EMBEDDING_MODEL = 'text-embedding-v4';
-function embed(text_1) {
-    return __awaiter(this, arguments, void 0, function* (text, dimensions = 1024) {
-        var _a;
-        const apiKey = process.env.BAILIAN_API_KEY;
-        if (!apiKey) {
-            throw new Error('BAILIAN_API_KEY environment variable is not set');
-        }
-        const body = {
-            model: EMBEDDING_MODEL,
-            input: text,
-            dimensions,
-        };
+const BATCH_SIZE_LIMIT = 25; // DashScope 兼容接口的单次上限
+function getApiKey() {
+    const apiKey = process.env.BAILIAN_API_KEY;
+    if (!apiKey) {
+        throw new Error('BAILIAN_API_KEY environment variable is not set');
+    }
+    return apiKey;
+}
+function fetchEmbeddings(input, dimensions) {
+    return __awaiter(this, void 0, void 0, function* () {
         let response;
         try {
             response = yield fetch(EMBEDDING_URL, {
                 method: 'POST',
                 headers: {
                     'Content-Type': 'application/json',
-                    Authorization: `Bearer ${apiKey}`,
+                    Authorization: `Bearer ${getApiKey()}`,
                 },
-                body: JSON.stringify(body),
+                body: JSON.stringify({
+                    model: EMBEDDING_MODEL,
+                    input,
+                    dimensions,
+                }),
             });
         }
         catch (cause) {
@@ -42,7 +45,13 @@ function embed(text_1) {
             const text = yield response.text();
             throw new Error(`[embedding] HTTP ${response.status}: ${text}`);
         }
-        const data = (yield response.json());
+        return (yield response.json());
+    });
+}
+function embed(text_1) {
+    return __awaiter(this, arguments, void 0, function* (text, dimensions = 1024) {
+        var _a;
+        const data = yield fetchEmbeddings(text, dimensions);
         const vector = (_a = data.data[0]) === null || _a === void 0 ? void 0 : _a.embedding;
         if (!vector) {
             throw new Error('[embedding] No embedding in response');
@@ -50,3 +59,27 @@ function embed(text_1) {
         return vector;
     });
 }
+/**
+ * 批量获取文本向量。
+ * 阿里云 DashScope 的兼容接口支持 input 为数组，但单次有数量上限。
+ */
+function embedBatch(texts_1) {
+    return __awaiter(this, arguments, void 0, function* (texts, dimensions = 1024) {
+        var _a;
+        if (texts.length === 0) {
+            return [];
+        }
+        if (texts.length > BATCH_SIZE_LIMIT) {
+            throw new Error(`[embedding] Batch size ${texts.length} exceeds limit ${BATCH_SIZE_LIMIT}. Split before calling.`);
+        }
+        const data = yield fetchEmbeddings(texts, dimensions);
+        // 服务返回的数据可能不是按请求顺序的，用 index 重新排序
+        const sorted = data.data.slice().sort((a, b) => a.index - b.index);
+        for (let i = 0; i < texts.length; i++) {
+            if (((_a = sorted[i]) === null || _a === void 0 ? void 0 : _a.index) !== i || !sorted[i].embedding) {
+                throw new Error(`[embedding] Missing or malformed embedding at index ${i}`);
+            }
+        }
+        return sorted.map((item) => item.embedding);
+    });
+}

package/dist/embedding_search/index.d.ts

@@ -22,6 +22,29 @@ export declare class EmbeddingSearch {
     static vectorSearch(options: Omit<import('./pgvector').PgVectorSearchOptions, 'pool'> & {
         pool: Pool;
     }): Promise<SearchResult[]>;
+    /**
+     * 单条文本转成向量。
+     *
+     * @example
+     * ```ts
+     * const vector = await EmbeddingSearch.embed('衣服质量怎么样');
+     * ```
+     */
+    static embed(text: string, dimensions?: number): Promise<number[]>;
+    /**
+     * 批量获取文本向量。
+     *
+     * 调用百炼 embedding 接口，一次最多 25 条文本。
+     * 返回向量的顺序与输入顺序一致。
+     *
+     * @example
+     * ```ts
+     * const vectors = await EmbeddingSearch.batchEmbed([
+     *   '衣服质量怎么样',
+     *   '物流速度快吗',
+     * ]);
+     * ```
+     */
+    static batchEmbed(texts: string[], dimensions?: number): Promise<number[][]>;
 }
 export type { EmbeddingSearchConfig, SearchResult } from './types';
-export { embed } from './embed';

package/dist/embedding_search/index.js

@@ -20,7 +20,7 @@ var __rest = (this && this.__rest) || function (s, e) {
     return t;
 };
 Object.defineProperty(exports, "__esModule", { value: true });
-exports.embed = exports.EmbeddingSearch = void 0;
+exports.EmbeddingSearch = void 0;
 const pgvector_1 = require("./pgvector");
 const embed_1 = require("./embed");
 const enums_1 = require("./enums");
@@ -163,7 +163,37 @@ class EmbeddingSearch {
             return (0, pgvector_1.vectorSearch)(options);
         });
     }
+    /**
+     * 单条文本转成向量。
+     *
+     * @example
+     * ```ts
+     * const vector = await EmbeddingSearch.embed('衣服质量怎么样');
+     * ```
+     */
+    static embed(text, dimensions) {
+        return __awaiter(this, void 0, void 0, function* () {
+            return (0, embed_1.embed)(text, dimensions);
+        });
+    }
+    /**
+     * 批量获取文本向量。
+     *
+     * 调用百炼 embedding 接口，一次最多 25 条文本。
+     * 返回向量的顺序与输入顺序一致。
+     *
+     * @example
+     * ```ts
+     * const vectors = await EmbeddingSearch.batchEmbed([
+     *   '衣服质量怎么样',
+     *   '物流速度快吗',
+     * ]);
+     * ```
+     */
+    static batchEmbed(texts, dimensions) {
+        return __awaiter(this, void 0, void 0, function* () {
+            return (0, embed_1.embedBatch)(texts, dimensions);
+        });
+    }
 }
 exports.EmbeddingSearch = EmbeddingSearch;
-var embed_2 = require("./embed");
-Object.defineProperty(exports, "embed", { enumerable: true, get: function () { return embed_2.embed; } });

package/dist/index.d.ts

@@ -30,8 +30,16 @@ export { BailianProvider } from './predict';
 export { MODEL_REGISTRY } from './llm_provider';
 export type { Model } from './llm_provider';
 export type { PredictConfig, PredictWithMessagesConfig } from './predict';
-/** 向量检索（Embedding + pgvector + Rerank） */
-export { EmbeddingSearch, embed } from './embedding_search';
+/**
+ * 向量检索静态入口类。
+ *
+ * 提供 embedding 生成、批量 embedding 生成、pgvector 向量检索与 rerank 的完整链路：
+ * - `EmbeddingSearch.query()` — 文本 → embedding → pgvector 检索 → 可选 rerank
+ * - `EmbeddingSearch.vectorSearch()` — 已有向量 → pgvector 近邻检索
+ * - `EmbeddingSearch.embed()` — 单条文本转向量
+ * - `EmbeddingSearch.batchEmbed()` — 批量文本转向量（单次最多 25 条）
+ */
+export { EmbeddingSearch } from './embedding_search';
 export type { EmbeddingSearchConfig, SearchResult } from './embedding_search';
 /** Function Call Loop */
 export * as FunctionCallLoop from './function_call_loop';

package/dist/index.js

@@ -53,7 +53,7 @@ var __importStar = (this && this.__importStar) || (function () {
     };
 })();
 Object.defineProperty(exports, "__esModule", { value: true });
-exports.FunctionCallLoop = exports.embed = exports.EmbeddingSearch = exports.MODEL_REGISTRY = exports.BailianProvider = exports.Predictor = exports.LLM = void 0;
+exports.FunctionCallLoop = exports.EmbeddingSearch = exports.MODEL_REGISTRY = exports.BailianProvider = exports.Predictor = exports.LLM = void 0;
 /** LLM 静态入口类，封装 Provider 连接、故障转移和返回解析 */
 var predict_1 = require("./predict");
 Object.defineProperty(exports, "LLM", { enumerable: true, get: function () { return predict_1.LLM; } });
@@ -66,9 +66,16 @@ Object.defineProperty(exports, "BailianProvider", { enumerable: true, get: funct
 /** 模型注册表与枚举，定义模型与 Provider 的映射关系 */
 var llm_provider_1 = require("./llm_provider");
 Object.defineProperty(exports, "MODEL_REGISTRY", { enumerable: true, get: function () { return llm_provider_1.MODEL_REGISTRY; } });
-/** 向量检索（Embedding + pgvector + Rerank） */
+/**
+ * 向量检索静态入口类。
+ *
+ * 提供 embedding 生成、批量 embedding 生成、pgvector 向量检索与 rerank 的完整链路：
+ * - `EmbeddingSearch.query()` — 文本 → embedding → pgvector 检索 → 可选 rerank
+ * - `EmbeddingSearch.vectorSearch()` — 已有向量 → pgvector 近邻检索
+ * - `EmbeddingSearch.embed()` — 单条文本转向量
+ * - `EmbeddingSearch.batchEmbed()` — 批量文本转向量（单次最多 25 条）
+ */
 var embedding_search_1 = require("./embedding_search");
 Object.defineProperty(exports, "EmbeddingSearch", { enumerable: true, get: function () { return embedding_search_1.EmbeddingSearch; } });
-Object.defineProperty(exports, "embed", { enumerable: true, get: function () { return embedding_search_1.embed; } });
 /** Function Call Loop */
 exports.FunctionCallLoop = __importStar(require("./function_call_loop"));

package/dist/llm_provider/bailian.js

@@ -48,7 +48,7 @@ class BailianProvider {
         return BailianProvider.SUPPORTED_MODELS.has(model);
     }
     adaptRequest(body) {
-        var _a, _b, _c;
+        var _a, _b, _c, _d;
         const caps = (_a = BailianProvider.MODEL_CAPABILITIES[body.model]) !== null && _a !== void 0 ? _a : { jsonMode: false, reasoningEffort: false };
         if (body.reasoning_effort !== undefined && !caps.reasoningEffort) {
             throw new Error(`[adapt] Model "${body.model}" does not support reasoning_effort`);
@@ -57,12 +57,21 @@ class BailianProvider {
             throw new Error(`[adapt] Model "${body.model}" does not support response_format json_object`);
         }
         // 百炼平台：Qwen 系列通过 enable_thinking 实现 reasoning_effort
+        // Kimi（Moonshot）通过 extra_body.thinking.type 实现（默认开启）
         if (body.reasoning_effort !== undefined) {
             if (['qwen-plus', 'qwen-turbo', 'qwen3.7-max'].includes(body.model)) {
                 const { reasoning_effort } = body, rest = __rest(body, ["reasoning_effort"]);
                 return Object.assign(Object.assign({}, rest), { extra_body: Object.assign(Object.assign({}, ((_c = rest.extra_body) !== null && _c !== void 0 ? _c : {})), { enable_thinking: reasoning_effort !== 'low' }) });
             }
-            // deepseek-v4-pro / deepseek-v4-flash / kimi-k2.6 原生支持，直接传递
+            if (body.model === 'kimi-k2.6') {
+                const { reasoning_effort } = body, rest = __rest(body, ["reasoning_effort"]);
+                // Kimi 默认开启思考；只有 low 显式禁用，medium/high 走默认（不传 thinking 字段）
+                if (reasoning_effort === 'low') {
+                    return Object.assign(Object.assign({}, rest), { extra_body: Object.assign(Object.assign({}, ((_d = rest.extra_body) !== null && _d !== void 0 ? _d : {})), { thinking: { type: 'disabled' } }) });
+                }
+                return rest;
+            }
+            // deepseek-v4-pro / deepseek-v4-flash 原生支持 reasoning_effort，直接传递
         }
         return body;
     }
@@ -198,6 +207,7 @@ class BailianProvider {
                 : undefined,
             stream: request.stream,
             stream_options: request.streamOptions,
+            reasoning_effort: request.reasoningEffort,
         };
     }
 }

package/dist/llm_provider/types.d.ts

@@ -19,6 +19,8 @@ export interface LLMRequest {
     };
     readonly model?: string;
     readonly responseFormat?: 'text' | 'json';
+    /** 推理深度。各 Provider 按自身能力映射到底层协议字段（如 enable_thinking / reasoning_effort） */
+    readonly reasoningEffort?: 'low' | 'medium' | 'high';
 }
 /**
  * LLM 调用的 token 消耗统计。

package/dist/predict/predict.js

@@ -65,6 +65,7 @@ function toLLMRequest(config, messages) {
         maxTokens: config.maxTokens,
         topP: config.topP,
         responseFormat: config.responseFormat,
+        reasoningEffort: config.reasoningEffort,
     };
 }
 function unwrapResponse(response, responseFormat) {

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@keo-ai/axiom",
-  "version": "0.2.3",
+  "version": "0.2.6",
   "description": "基于 LLM 的预测与推理库，支持多 Provider 切换",
   "main": "dist/index.js",
   "types": "dist/index.d.ts",