# embedrs
[](https://crates.io/crates/embedrs)
[](https://docs.rs/embedrs)
[](LICENSE)
Rust 向け統一 Embedding ソリューション -- クラウド API + ローカル推論を単一インターフェースで。データに基づくデフォルト選定。
## 設計思想
> "好用就好用" -- 使いやすさが全て。最適なデフォルトをデータで選ぶ。
- **`embedrs::local()?`** -- all-MiniLM-L6-v2（23MB、無料、API キー不要）
- **`embedrs::cloud(key)`** -- OpenAI text-embedding-3-small（識別性能最高、最安値）
- どちらも同じ `EmbedResult` を返す -- コードは一度書くだけ、バックエンドは一行で切り替え
デフォルトは 8 次元 8 モデルのベンチマークで選定。詳細は [benchrs](https://github.com/goliajp/airs/tree/develop/crates/benchrs) を参照。
## クイックスタート
```rust
// クラウド -- API キーひとつで完了
let client = embedrs::cloud("sk-...");
let result = client.embed(vec!["hello world".into()]).await?;
println!("dimensions: {}", result.embeddings[0].len());
```
```rust
// ローカル -- 設定不要、無料、初回使用時に 23MB モデルを自動ダウンロード
let client = embedrs::local()?;
let result = client.embed(vec!["hello world".into()]).await?;
```
## インストール
```toml
[dependencies]
embedrs = "0.2"
# ローカル推論を有効化（初回使用時に約 23MB のモデルをダウンロード）
embedrs = { version = "0.1", features = ["local"] }
```
## ベンチマーク結果
8 つの評価次元、184 テキスト。詳細な方法論と再現手順は [benchrs](https://github.com/goliajp/airs/tree/develop/crates/benchrs) を参照。
| **サイズ** | **23MB** | 133MB | 133MB | 67MB | クラウド | クラウド | クラウド | クラウド |
| **Spearman ρ** | 0.81 | 0.84 | 0.71 | 0.75 | 0.91 | **0.94** | 0.91 | 0.89 |
| **識別性** | 0.52 | 0.52 | 0.29 | 0.14 | **0.58** | 0.30 | 0.46 | 0.45 |
| **検索精度** | **100%** | **100%** | 89% | **100%** | **100%** | 89% | **100%** | 89% |
| **英語 ρ** | 0.92 | **0.94** | 0.92 | 0.90 | 0.91 | 0.91 | 0.89 | 0.88 |
| **中国語 ρ** | 0.65 | 0.74 | 0.45 | 0.40 | 0.88 | **0.99** | 0.93 | 0.89 |
| **日本語 ρ** | 0.60 | 0.90 | 0.20 | 0.50 | 0.90 | **1.00** | **1.00** | 0.90 |
| **言語横断** | 0.25 | 0.26 | 0.66 | 0.81 | 0.71 | 0.84 | 0.68 | **0.85** |
| **頑健性** | 0.89 | 0.90 | 0.94 | **0.97** | 0.88 | 0.94 | 0.89 | 0.95 |
| **クラスタ分離度** | **8.73x** | 4.38x | 1.29x | 1.09x | 2.55x | 1.11x | 1.41x | 1.30x |
| **コスト** | **$0** | **$0** | **$0** | **$0** | $0.02/1M | 無料枠 | $0.10/1M | $0.06/1M |
### ローカルに MiniLM-L6 を選んだ理由
- 23MB -- アプリ組込みに適した唯一のサイズ（他モデルは 67-133MB）
- クラスタ分離度 8.73x で圧倒的（2位は 4.38x）、データの構造を正確に捉える
- 検索精度 100%、英語 ρ=0.92 で大半のクラウドモデルを上回る
- 12 層モデルは 3-6 倍大きいが、品質は大差なし
- 既知の弱点：中国語・日本語が弱い（ρ=0.60-0.65）、言語横断も低い（0.25）
### クラウドに OpenAI を選んだ理由
- 識別性 0.58 で最高（非類似テキストの平均コサイン = 0.09、ゼロに最も近い）
- 検索精度 100%、MRR=1.0
- 多言語バランスが良い：EN=0.91、ZH=0.88、JA=0.90、弱い言語なし
- 最安値 $0.02/1M トークン
- Gemini は ρ が高い（0.94）が識別性が低く（0.30）、検索 89% で取りこぼしあり
- Cohere は品質同等だが 5 倍高い（$0.10/1M）
## プロバイダー
| OpenAI | `Client::openai(key)` | `text-embedding-3-small` | 2048 |
| Cohere | `Client::cohere(key)` | `embed-v4.0` | 96 |
| Google Gemini | `Client::gemini(key)` | `gemini-embedding-001` | 100 |
| Voyage AI | `Client::voyage(key)` | `voyage-3-large` | 128 |
| Jina AI | `Client::jina(key)` | `jina-embeddings-v3` | 2048 |
| ローカル | `Client::local(name)?` | `all-MiniLM-L6-v2` | 256 |
各クラウドプロバイダーには `*_compatible` コンストラクタがあり、プロキシや互換 API を指定可能:
```rust
// OpenAI 互換（Azure、プロキシなど）
let client = Client::openai_compatible("sk-...", "https://your-proxy.com/v1");
// Cohere 互換
let client = Client::cohere_compatible("key", "https://proxy.example.com/v2");
// Gemini 互換
let client = Client::gemini_compatible("key", "https://proxy.example.com/v1beta");
// Voyage 互換
let client = Client::voyage_compatible("key", "https://proxy.example.com/v1");
// Jina 互換
let client = Client::jina_compatible("key", "https://proxy.example.com/v1");
```
## バッチ Embedding
大量テキストをプロバイダーの上限に合わせて自動分割し、並行処理:
```rust
let client = embedrs::cloud("sk-...");
let result = client.embed_batch(texts)
.concurrency(5) // 最大同時リクエスト数（デフォルト: 5）
.chunk_size(512) // 1リクエストあたりのテキスト数（デフォルト: プロバイダー上限）
.model("text-embedding-3-large")
.await?;
println!("total embeddings: {}", result.embeddings.len());
println!("total tokens: {}", result.usage.total_tokens);
```
## 類似度関数
```rust
use embedrs::{cosine_similarity, dot_product, euclidean_distance};
let a = vec![1.0, 0.0, 0.0];
let b = vec![0.0, 1.0, 0.0];
let cos = cosine_similarity(&a, &b); // 0.0（直交）
let dot = dot_product(&a, &b); // 0.0
let dist = euclidean_distance(&a, &b); // 1.414...
```
## 入力タイプ
一部のプロバイダーは入力タイプの指定による最適化をサポート:
```rust
use embedrs::InputType;
// ドキュメントのインデックス用
let result = client.embed(docs)
.input_type(InputType::SearchDocument)
.await?;
// 検索クエリ用
let result = client.embed(queries)
.input_type(InputType::SearchQuery)
.await?;
```
利用可能な入力タイプ: `SearchDocument`、`SearchQuery`、`Classification`、`Clustering`
## 出力次元数
対応プロバイダーで出力ベクトルの次元数を指定:
```rust
let result = client.embed(vec!["hello".into()])
.model("text-embedding-3-large")
.dimensions(256)
.await?;
assert_eq!(result.embeddings[0].len(), 256);
```
## バックオフとタイムアウト
```rust
use std::time::Duration;
use embedrs::BackoffConfig;
let client = Client::openai("sk-...")
.with_retry_backoff(BackoffConfig::default()) // 500ms ベース, 30s 上限, 3 回リトライ
.with_timeout(Duration::from_secs(120)); // 全体タイムアウト（デフォルト: 60s）
// リクエストごとに上書き
let result = client.embed(vec!["hello".into()])
.retry_backoff(BackoffConfig {
base_delay: Duration::from_millis(200),
max_delay: Duration::from_secs(10),
jitter: true,
max_http_retries: 5,
})
.timeout(Duration::from_secs(30))
.await?;
```
バックオフ未設定時、HTTP 429/503 エラーは即座に失敗します。
## クライアントデフォルト
デフォルトを一度設定し、リクエストごとに上書き可能:
```rust
let client = Client::openai("sk-...")
.with_model("text-embedding-3-large")
.with_dimensions(256)
.with_input_type(InputType::SearchDocument)
.with_retry_backoff(BackoffConfig::default())
.with_timeout(Duration::from_secs(120));
// すべてのリクエストで上記デフォルトを使用
let a = client.embed(vec!["doc 1".into()]).await?;
let b = client.embed(vec!["doc 2".into()]).await?;
// 特定リクエストのみ上書き
let c = client.embed(vec!["query".into()])
.model("text-embedding-3-small")
.input_type(InputType::SearchQuery)
.await?;
```
## Feature フラグ
| *(なし)* | 有効 | コア機能、5 クラウドプロバイダー |
| `local` | 無効 | candle によるローカル推論（all-MiniLM-L6-v2、23MB） |
| `tracing` | 無効 | `tracing` クレートによる構造化ログ |
```toml
[dependencies]
# クラウドのみ
embedrs = "0.2"
# クラウド + ローカル推論
embedrs = { version = "0.1", features = ["local"] }
# tracing 付き
embedrs = { version = "0.1", features = ["local", "tracing"] }
```
## ライセンス
[MIT](LICENSE)