embedding-proxy：为 Cherry Studio 无缝接入豆包多模态 Embedding 的桥梁

embedding-proxy是一个轻量级代理服务，旨在解决Cherry Studio与火山引擎豆包多模态Embedding API之间的格式兼容问题。它支持磁盘缓存和Ollama接口伪装，让开发者无需修改客户端配置即可无缝接入豆包的多模态Embedding能力。

在大模型应用落地中，工具链格式壁垒常困扰开发者。Cherry Studio原生支持多种Embedding服务，但豆包多模态Embedding API的请求格式（需将文本包装为{'type':'text','text':'内容'}结构）与Cherry Studio的预期输入（直接发送字符串数组）不兼容，阻碍了开发者使用豆包能力。这种差异是生态演进中的阶段性摩擦，却足以阻断工作流程。

embedding-proxy作为中间代理层，架设在Cherry Studio与豆包API之间，自动完成格式转换，实现无感化集成——用户无需了解底层逻辑或调整Cherry Studio配置。其核心设计哲学是技术服务于人，而非让人适应技术。

embedding-proxy的核心能力包括四层：

1. 智能格式转换：双向转换请求与响应格式，将Cherry的字符串数组转为豆包所需的文本对象结构，反之亦然。
2. 磁盘哈希缓存：对输入文本哈希，将向量保存为.npy文件，重复请求直接读取缓存，降低API成本。
3. Ollama接口伪装：模拟Ollama API响应格式，让Cherry Studio误以为连接本地Ollama服务，无需客户端适配。
4. 灵活配置：支持本地运行、一键部署（deploy.sh）、容器化部署；API端点、模型ID、API Key可通过环境变量或配置文件设置。

项目采用Python + FastAPI构建，代码结构清晰：main.py为入口，app目录分路由、服务、模型、配置子目录。缓存文件存储于vector_cache目录，仅保留向量数据（保护隐私）。Docker容器以非root用户运行，敏感信息（如API Key）排除在版本控制外，保障安全。

embedding-proxy的价值在于精准解决真实痛点：AI应用开发中常见工具因格式/协议差异无法协同。它展示了务实思路：搭建轻量级适配层，比等待官方适配或重构架构更高效。对希望整合豆包能力到Cherry Studio的开发者，这是开箱即用的解决方案。

embedding-proxy是生态互联的微观案例，提醒我们AI基础设施的成熟依赖细小却关键的连接组件。每个解决兼容性问题的项目，都为生态健壮性添砖加瓦。对开发者的启示：遇到格式/协议不匹配时，轻量级代理层往往是经济有效的方案。