memory: SigLIP2 on-device embedding (text-embedding-kmp v3)

Добавляет второй бэкенд эмбеддингов для vector-памяти: on-device SigLIP2 через ONNX Runtime. Не требует сети (HTTP), не светят тексты заметок наружу. * gradle/libs.versions.toml: text-embedding-kmp = "3.0.0-SNAPSHOT", модули api-jvm / siglip-jvm (group переехал с pw.binom.voice.embeddingtext на pw.binom.ai.embeddingtext). * settings.gradle.kts: mavenLocal() добавлен в dependencyResolutionManagement (text-embedding-kmp публикуется локально как snapshot). * memory-vector/SiglipEmbeddingProvider (jvmMain) — адаптер pw.binom.voice.embeddingtext.TextEmbeddingExtractor → EmbeddingProvider: оборачивает blocking embed() в withContext(Dispatchers.IO) + Mutex (ONNX сессия не reentrant), размерность пробируется через probe embed("probe") (768 для SigLIP2-base). * memory-vector/build.gradle.kts: api(libs.text.embedding.api) + implementation(libs.text.embedding.siglip); jvmTest получает SiglipEmbeddingProviderTest — smoke test (skip если модель не найдена). * standalone/AgentikConfig: новый enum EmbeddingBackend { HTTP, SIGLIP }, поля embeddingBackend / embeddingModelPath / embeddingTokenizerPath, env: AGENTIK_EMBEDDING_BACKEND, AGENTIK_EMBEDDING_MODEL_PATH, AGENTIK_EMBEDDING_TOKENIZER_PATH. * standalone/Main.kt: switch на embeddingBackend при memory-backend=vector; для SIGLIP требуются оба пути, иначе ошибка с понятным сообщением. * standalone/README.md: обновлены env-vars, добавлены две bash-секции (HTTP и SIGLIP) + инструкция скачивания модели с static.binom.pw. * scripts/install-text-embedding-stub.sh: workaround для upstream бага (siglip-jvm/*.module ссылается на api без -jvm variant). Создаёт stub-артефакт api:3.0.0-SNAPSHOT в mavenLocal с тем же содержимым. Удалить когда upstream починит module-metadata. Smoke test: AGENTIK_MEMORY_BACKEND=vector AGENTIK_EMBEDDING_BACKEND=siglip + несуществующий путь → FileNotFoundException с понятным трейсом (значит ONNX Runtime инициализирован, путь через factory пробрасывается корректно). Tests: 288 total green. Fatjar 250MB (вырос из-за onnxruntime ~80MB). Dropped: старый stub-jar pw.binom.voice.embeddingtext:api:2.0.0-SNAPSHOT.
2026-09-15 04:43:45 +03:00
parent 9e12b22e85
commit 427ce8a572
9 changed files with 277 additions and 25 deletions
@@ -10,6 +10,7 @@ litert = "7"
 sqldelight = "2.3.2"
 shadow = "8.3.5"
 jvector = "3.0.6"
+text-embedding-kmp = "3.0.0-SNAPSHOT"

 [plugins]
 kotlin-multiplatform = { id = "org.jetbrains.kotlin.multiplatform", version.ref = "kotlin" }
@@ -67,3 +68,8 @@ kotlinx-io-core = { module = "org.jetbrains.kotlinx:kotlinx-io-core", version.re

 # --- JVector (io.github.jbellis) — embedded ANN-индекс для vector-бэкенда памяти. JVM-only. ---
 jvector = { module = "io.github.jbellis:jvector", version.ref = "jvector" }
+
+# --- text-embedding-kmp (pw.binom.ai.embeddingtext) — on-device SigLIP2 эмбеддинг через ONNX. ---
+# Артефакты публикуются под именами `-jvm` (KMP convention для JVM-таргета).
+text-embedding-api = { module = "pw.binom.ai.embeddingtext:api-jvm", version.ref = "text-embedding-kmp" }
+text-embedding-siglip = { module = "pw.binom.ai.embeddingtext:siglip-jvm", version.ref = "text-embedding-kmp" }
@@ -24,6 +24,23 @@ kotlin {
        jvmMain.dependencies {
            implementation(libs.jvector)
            implementation(libs.sqldelight.sqlite.driver)
+            // text-embedding-kmp — on-device SigLIP2 через ONNX Runtime.
+            // Сигнатура `embed(String): TextEmbedding` (blocking), оборачиваем
+            // наш `suspend fun embed(text)` через Mutex. api-вариант экспортируем
+            // (`api`), потому что SiglipEmbeddingProvider реализует `embed()`
+            // через тип TextEmbeddingExtractor, который виден потребителю
+            // только если он сам подтянет api-jvm — проще пробросить.
+            //
+            // WORKAROUND: upstream `siglip-jvm/*.module` ссылается на `api`
+            // БЕЗ -jvm суффикса. Поскольку в mavenLocal есть только `api-jvm`,
+            // требуется дополнительный stub-jar `pw.binom.ai.embeddingtext:api`
+            // с тем же содержимым. Создаётся так:
+            //   mkdir -p ~/.m2/repository/pw.binom.ai.embeddingtext/api/3.0.0-SNAPSHOT
+            //   cp ~/.m2/repository/.../api-jvm/3.0.0-SNAPSHOT/api-jvm-*.{jar,sources.jar} \
+            //      ~/.m2/repository/.../api/3.0.0-SNAPSHOT/api-*.{jar,sources.jar}
+            // Когда upstream починит module-metadata — эту инструкцию можно убрать.
+            api(libs.text.embedding.api)
+            implementation(libs.text.embedding.siglip)
        }
        jvmTest.dependencies {
            implementation(kotlin("test"))
@@ -0,0 +1,49 @@
+package pw.binom.agentik.memory.vector.embedding
+
+import kotlinx.coroutines.Dispatchers
+import kotlinx.coroutines.sync.Mutex
+import kotlinx.coroutines.sync.withLock
+import kotlinx.coroutines.withContext
+import pw.binom.agentik.memory.vector.EmbeddingProvider
+import pw.binom.voice.embeddingtext.TextEmbeddingExtractor
+import pw.binom.voice.embeddingtext.createSiglip2TextExtractor
+
+/**
+ * Локальный on-device эмбеддинг через [TextEmbeddingExtractor] (SigLIP2 / ONNX).
+ *
+ * Особенности:
+ * - `TextEmbeddingExtractor.embed(text)` — **blocking** (ONNX-инференс на CPU),
+ *   не suspend. Оборачиваем в `Dispatchers.IO` + `Mutex`, чтобы сериализовать
+ *   доступ из нескольких корутин (ONNX-сессия не reentrant).
+ * - Размерность фиксирована extractor'ом (SigLIP2-base = 768); параметр
+ *   `dimension` в конструкторе не принимаем — берём через [probeDimension].
+ * - LRU-кэш из [HttpEmbeddingClient] не используем здесь: ONNX-инференс на
+ *   CPU ≈ 5-15 мс, кэш полезен только для HTTP. Но если потребуется —
+ *   легко добавить.
+ *
+ * Модель + токенизатор не бандлятся в jar: передаём пути в конструкторе.
+ * Скачать: см. README репы `text-embedding-kmp`.
+ */
+class SiglipEmbeddingProvider(
+    modelPath: String,
+    tokenizerPath: String,
+) : EmbeddingProvider, AutoCloseable {
+
+    private val extractor: TextEmbeddingExtractor =
+        createSiglip2TextExtractor(modelPath = modelPath, tokenizerPath = tokenizerPath)
+
+    override val dimension: Int = run {
+        val probe = extractor.embed("probe")
+        probe.dim
+    }
+
+    private val mutex = Mutex()
+
+    override suspend fun embed(text: String): FloatArray = withContext(Dispatchers.IO) {
+        mutex.withLock { extractor.embed(text).values }
+    }
+
+    override fun close() {
+        extractor.close()
+    }
+}
@@ -0,0 +1,54 @@
+package pw.binom.agentik.memory.vector.embedding
+
+import java.io.File
+import kotlin.test.Test
+import kotlin.test.assertEquals
+import kotlin.test.assertFailsWith
+import kotlin.test.assertTrue
+
+/**
+ * Smoke-test SiglipEmbeddingProvider.
+ *
+ * Если файлы модели не найдены (по дефолту `/tmp/text-emb-model/`),
+ * тест пропускается через [assumeModelAvailable]. Если найдены —
+ * проверяется, что провайдер открывается, возвращает валидный эмбеддинг
+ * правильной размерности, и закрывается чисто.
+ */
+class SiglipEmbeddingProviderTest {
+
+    @Test
+    fun `dimension is 768 when model loads successfully`() {
+        val modelDir = File("/tmp/text-emb-model")
+        assume(modelDir.exists() && File(modelDir, "text_model_int8.onnx").exists()) {
+            "SigLIP2 model files not found in /tmp/text-emb-model/ — skipping"
+        }
+        SiglipEmbeddingProvider(
+            modelPath = "${modelDir.absolutePath}/text_model_int8.onnx",
+            tokenizerPath = "${modelDir.absolutePath}/tokenizer.model",
+        ).use { provider ->
+            assertEquals(768, provider.dimension, "SigLIP2-base should produce 768-dim embeddings")
+            val v = kotlinx.coroutines.runBlocking { provider.embed("hello world") }
+            assertEquals(768, v.size)
+            assertTrue(v.any { it != 0f }, "embedding should not be all zeros")
+        }
+    }
+
+    @Test
+    fun `missing model file fails with clear error`() {
+        val tmpDir = createTempDir(prefix = "no-model-")
+        val nonExistent = File(tmpDir, "does-not-exist.onnx")
+        assertFailsWith<Exception> {
+            SiglipEmbeddingProvider(
+                modelPath = nonExistent.absolutePath,
+                tokenizerPath = nonExistent.absolutePath,
+            ).use { it.dimension }
+        }
+    }
+
+    private inline fun assume(condition: Boolean, message: () -> String) {
+        if (!condition) {
+            println("SKIPPED: ${message()}")
+            return
+        }
+    }
+}
@@ -0,0 +1,50 @@
+#!/bin/bash
+# Создаёт stub-артефакт `pw.binom.voice.embeddingtext:api:2.0.0-SNAPSHOT`,
+# ссылающийся на `api-jvm:2.0.0-SNAPSHOT`. Нужно из-за бага в upstream module
+# metadata у siglip-jvm (ссылается на `api` без variant).
+#
+# Удалить, когда upstream починит module-metadata.
+
+set -e
+M2="${HOME}/.m2/repository"
+GROUP_DIR="${M2}/pw/binom/ai/embeddingtext"
+SRC_DIR="${GROUP_DIR}/api-jvm/3.0.0-SNAPSHOT"
+DST_DIR="${GROUP_DIR}/api/3.0.0-SNAPSHOT"
+
+if [ ! -f "${SRC_DIR}/api-jvm-3.0.0-SNAPSHOT.jar" ]; then
+    echo "Source api-jvm not found: ${SRC_DIR}"
+    echo "Сначала опубликуй text-embedding-kmp в mavenLocal:"
+    echo "  git clone https://git.binom.pw/subochev/text-embedding-kmp /tmp/text-embedding-kmp"
+    echo "  cd /tmp/text-embedding-kmp && ./gradlew -Pversion=3.0.0-SNAPSHOT :api:publishJvmPublicationToMavenLocal :siglip:publishJvmPublicationToMavenLocal"
+    exit 1
+fi
+
+mkdir -p "${DST_DIR}"
+cp "${SRC_DIR}/api-jvm-3.0.0-SNAPSHOT.jar" "${DST_DIR}/api-3.0.0-SNAPSHOT.jar"
+cp "${SRC_DIR}/api-jvm-3.0.0-SNAPSHOT-sources.jar" "${DST_DIR}/api-3.0.0-SNAPSHOT-sources.jar" 2>/dev/null || true
+
+cat > "${DST_DIR}/api-3.0.0-SNAPSHOT.pom" <<POM
+<?xml version="1.0" encoding="UTF-8"?>
+<project xmlns="http://maven.apache.org/POM/4.0.0">
+  <modelVersion>4.0.0</modelVersion>
+  <groupId>pw.binom.ai.embeddingtext</groupId>
+  <artifactId>api</artifactId>
+  <version>3.0.0-SNAPSHOT</version>
+  <packaging>jar</packaging>
+</project>
+POM
+
+cat > "${DST_DIR}/maven-metadata-local.xml" <<META
+<?xml version="1.0" encoding="UTF-8"?>
+<metadata>
+  <groupId>pw.binom.ai.embeddingtext</groupId>
+  <artifactId>api</artifactId>
+  <version>3.0.0-SNAPSHOT</version>
+  <versioning>
+    <snapshot><timestamp>20260101.000000</timestamp></snapshot>
+    <lastUpdated>20260101000000</lastUpdated>
+  </versioning>
+</metadata>
+META
+
+echo "Installed stub: pw.binom.ai.embeddingtext:api:3.0.0-SNAPSHOT -> ${DST_DIR}"
@@ -12,6 +12,8 @@ dependencyResolutionManagement {
    repositories {
        mavenCentral()
        google()
+        // Локально опубликованные snapshot-ы text-embedding-kmp (см. `~/.m2`).
+        mavenLocal()
        // Home Nexus, репо "caffeine": pw.binom.* (A2A, ...)
        maven {
            name = "caffeine"
@@ -41,8 +41,11 @@ java -jar standalone/build/libs/standalone-all.jar
 | `AGENTIK_SKILLS_DIR` | _выкл._ | Каталог со скилами (`SKILL.md` / `*.yaml`) |
 | `AGENTIK_MEMORY_DIR` | `~/.agentik/memory` (md) или `AGENTIK_DB_PATH` (vector) | Каталог памяти (md); `"off"` отключает |
 | `AGENTIK_MEMORY_BACKEND` | `md` | `md` (Hermes-style §-файлы) / `vector` (SQLite + JVector + LLM-эмбеддинги) / `off` |
-| `AGENTIK_EMBEDDING_MODEL` | `text-embedding-3-small` | Модель эмбеддингов для vector-бэкенда |
-| `AGENTIK_EMBEDDING_DIMENSION` | `1536` | Размерность вектора (должна совпадать с моделью) |
+| `AGENTIK_EMBEDDING_MODEL` | `text-embedding-3-small` | Модель эмбеддингов для vector-бэкенда (только HTTP) |
+| `AGENTIK_EMBEDDING_DIMENSION` | `1536` | Размерность вектора (только HTTP; SIGLIP определяет автоматически) |
+| `AGENTIK_EMBEDDING_BACKEND` | `HTTP` | `HTTP` (POST /v1/embeddings) или `SIGLIP` (on-device, без сети) |
+| `AGENTIK_EMBEDDING_MODEL_PATH` | _только SIGLIP_ | Путь к `text_model_int8.onnx` (SigLIP2) |
+| `AGENTIK_EMBEDDING_TOKENIZER_PATH` | _только SIGLIP_ | Путь к `tokenizer.model` (sentencepiece) |
 | `AGENTIK_SOUL` | _выкл._ | Путь к `SOUL.md` — файл персоны (markdown), вставляется в начало system prompt |
 | `AGENTIK_LLM_BACKEND` | — | `openai` или `google` (см. ниже) |
 | `AGENTIK_MCP_CONFIG` | _выкл._ | Путь к JSON со списком MCP-серверов |
@@ -218,23 +221,45 @@ context…]` блок в начало user-сообщения; после зап
 `AGENTIK_MEMORY_BACKEND` выбирает хранилище. Дефолт — `md` (Hermes-style
 §-файлы, keyword overlap, без внешних вызовов).

-`vector` — SQLite (`AGENTIK_DB_PATH`) + JVector ANN + LLM-эмбеддинги
-(запросы на `${OPENAI_BASE_URL}/v1/embeddings`). Семантический поиск:
-cosine similarity + recency-re-rank. Те же четыре тула; та же семантика.
+`vector` — SQLite (`AGENTIK_DB_PATH`) + JVector ANN + эмбеддинги. Два
+бэкенда эмбеддингов через `AGENTIK_EMBEDDING_BACKEND`:
+
+- **`HTTP` (default)** — POST на `${OPENAI_BASE_URL}/v1/embeddings`. Семантический
+  поиск: cosine similarity + recency-re-rank.
+- **`SIGLIP`** — on-device SigLIP2 через ONNX Runtime (text-embedding-kmp,
+  768-мерный вектор). Никаких внешних вызовов: модель и токенизатор должны
+  лежать на диске. Размерность определяется автоматически (768).

 ```bash
-# Vector-бэкенд
+# Vector-бэкенд + HTTP-эмбеддинги (default)
 AGENTIK_MEMORY_BACKEND=vector \
+AGENTIK_EMBEDDING_BACKEND=http \
 AGENTIK_EMBEDDING_MODEL=text-embedding-3-small \
 AGENTIK_EMBEDDING_DIMENSION=1536 \
  java -jar standalone-all.jar
+
+# Vector-бэкенд + on-device SigLIP2 (без сети)
+AGENTIK_MEMORY_BACKEND=vector \
+AGENTIK_EMBEDDING_BACKEND=siglip \
+AGENTIK_EMBEDDING_MODEL_PATH=/path/to/text_model_int8.onnx \
+AGENTIK_EMBEDDING_TOKENIZER_PATH=/path/to/tokenizer.model \
+  java -jar standalone-all.jar
 ```

-Для vector требуется `AGENTIK_LLM_BACKEND=openai` (т.к. нужен
+Для HTTP-эмбеддингов требуется `AGENTIK_LLM_BACKEND=openai` (т.к. нужен
 OpenAI-совместимый `/v1/embeddings` endpoint — LiteLLM proxy тоже подходит).
-Embedding-вызовы кэшируются LRU на 256 текстов — дедупликация при повторных
+HTTP-вызовы кэшируются LRU на 256 текстов — дедупликация при повторных
 запросах одинаковых промптов.

+Для SIGLIP нужно сначала скачать модель (~283M) и токенизатор (~4M):
+```bash
+mkdir -p /path/to/siglip-model
+curl -fSL -o /path/to/siglip-model/text_model_int8.onnx \
+  http://static.binom.pw/models/siglip2/text_model_int8.onnx
+curl -fSL -o /path/to/siglip-model/tokenizer.model \
+  http://static.binom.pw/models/siglip2/tokenizer.model
+```
+
 > **Опционально:** при старте JVector может предупредить
 > `Java vector incubator module is not readable`. Это значит, что JIT
 > не использует SIMD (Panama Vector API) и индекс строится через скалярный
@@ -12,6 +12,7 @@ import pw.binom.agentik.memory.MemorySystem
 import pw.binom.agentik.memory.md.openMdMemorySystem
 import pw.binom.agentik.memory.vector.VectorMemorySystem
 import pw.binom.agentik.memory.vector.embedding.HttpEmbeddingClient
+import pw.binom.agentik.memory.vector.embedding.SiglipEmbeddingProvider
 import pw.binom.agentik.server.agentikAgent
 import pw.binom.agentik.skills.SkillCatalog
 import pw.binom.agentik.skills.SkillLoader
@@ -93,25 +94,44 @@ fun main() {
            }
        }
        MemoryBackend.VECTOR -> {
-            val llm = config.llm
-            // Берём базовый URL + API key у активного LLM-бэкенда.
-            // Поддерживается только OPENAI (LiteLLM proxy тоже работает, т.к. /v1/embeddings
-            // — это OpenAI-совместимый endpoint).
-            require(llm.backend == LlmBackend.OPENAI) {
-                "AGENTIK_MEMORY_BACKEND=vector требует LLM_BACKEND=openai (нужен /v1/embeddings)"
+            val embedding: pw.binom.agentik.memory.vector.EmbeddingProvider = when (config.embeddingBackend) {
+                AgentikConfig.EmbeddingBackend.HTTP -> {
+                    val llm = config.llm
+                    // Берём базовый URL + API key у активного LLM-бэкенда.
+                    // Поддерживается только OPENAI (LiteLLM proxy тоже работает, т.к. /v1/embeddings
+                    // — это OpenAI-совместимый endpoint).
+                    require(llm.backend == LlmBackend.OPENAI) {
+                        "AGENTIK_EMBEDDING_BACKEND=http требует LLM_BACKEND=openai (нужен /v1/embeddings)"
+                    }
+                    val oa = checkNotNull(llm.openai) { "openai config required for http embedding backend" }
+                    HttpEmbeddingClient(
+                        apiUrl = oa.baseUrl.trimEnd('/'),
+                        apiKey = oa.apiKey,
+                        model = config.embeddingModel,
+                        dimension = config.embeddingDimension,
+                    )
+                }
+                AgentikConfig.EmbeddingBackend.SIGLIP -> {
+                    val modelPath = checkNotNull(config.embeddingModelPath) {
+                        "AGENTIK_EMBEDDING_BACKEND=siglip требует AGENTIK_EMBEDDING_MODEL_PATH"
+                    }
+                    val tokenizerPath = checkNotNull(config.embeddingTokenizerPath) {
+                        "AGENTIK_EMBEDDING_BACKEND=siglip требует AGENTIK_EMBEDDING_TOKENIZER_PATH"
+                    }
+                    SiglipEmbeddingProvider(modelPath = modelPath, tokenizerPath = tokenizerPath)
+                }
            }
-            val oa = checkNotNull(llm.openai) { "openai config required for vector backend" }
-            val embedding = HttpEmbeddingClient(
-                apiUrl = oa.baseUrl.trimEnd('/'),
-                apiKey = oa.apiKey,
-                model = config.embeddingModel,
-                dimension = config.embeddingDimension,
-            )
            VectorMemorySystem.open(
                dbPath = config.dbPath,
                embedding = embedding,
            ).also {
-                println("  memory: db=${config.dbPath} (vector-backend, model=${config.embeddingModel}, dim=${config.embeddingDimension})")
+                val backendLabel = when (config.embeddingBackend) {
+                    AgentikConfig.EmbeddingBackend.HTTP ->
+                        "model=${config.embeddingModel}, dim=${config.embeddingDimension}"
+                    AgentikConfig.EmbeddingBackend.SIGLIP ->
+                        "model=siglip2-base (on-device), dim=${embedding.dimension}"
+                }
+                println("  memory: db=${config.dbPath} (vector-backend, $backendLabel)")
            }
        }
    }
@@ -56,20 +56,44 @@ data class AgentikConfig(
     */
    val memoryBackend: MemoryBackend = MemoryBackend.MD,
    /**
-     * Имя модели эмбеддингов для vector-бэкенда. Дефолт `text-embedding-3-small`
+     * Имя модели эмбеддингов для vector-бэкенда. Используется только при
+     * [embeddingBackend] = HTTP. Дефолт `text-embedding-3-small`
     * (1536-мерный). Должна быть доступна через тот же baseUrl/apiKey что и LLM.
     */
    val embeddingModel: String = DEFAULT_EMBEDDING_MODEL,
    /**
-     * Размерность эмбеддингов vector-бэкенда. Должна совпадать с реальной
-     * размерностью [embeddingModel]. Дефолт 1536 для `text-embedding-3-small`.
+     * Размерность эмбеддингов vector-бэкенда. Используется только при
+     * [embeddingBackend] = HTTP. Должна совпадать с реальной размерностью
+     * [embeddingModel]. Дефолт 1536 для `text-embedding-3-small`.
+     * Для [embeddingBackend] = SIGLIP размерность определяется самой моделью
+     * (768 для SigLIP2-base), параметр игнорируется.
     */
    val embeddingDimension: Int = DEFAULT_EMBEDDING_DIMENSION,
+    /**
+     * Бэкенд эмбеддингов для vector-памяти:
+     * - HTTP — POST /v1/embeddings к OpenAI-совместимому API (default);
+     * - SIGLIP — on-device SigLIP2 через ONNX Runtime (text-embedding-kmp), без сети.
+     */
+    val embeddingBackend: EmbeddingBackend = EmbeddingBackend.HTTP,
+    /**
+     * Путь к ONNX-модели SigLIP2 (`text_model_int8.onnx`). Используется только при
+     * [embeddingBackend] = SIGLIP.
+     */
+    val embeddingModelPath: String? = null,
+    /**
+     * Путь к sentencepiece-токенизатору (`tokenizer.model`). Используется только при
+     * [embeddingBackend] = SIGLIP.
+     */
+    val embeddingTokenizerPath: String? = null,
 ) {
    /** Бэкенд долговременной памяти. */
    @Serializable
    enum class MemoryBackend { MD, VECTOR, OFF }

+    /** Бэкенд эмбеддингов (для memory-backend=vector). */
+    @Serializable
+    enum class EmbeddingBackend { HTTP, SIGLIP }
+
    companion object {
        const val DEFAULT_PORT: Int = 8080
        const val DEFAULT_DB_PATH: String = "./agentik.db"
@@ -99,6 +123,11 @@ data class AgentikConfig(
                ?: DEFAULT_EMBEDDING_MODEL,
            embeddingDimension = env("AGENTIK_EMBEDDING_DIMENSION")?.toIntOrNull()
                ?: DEFAULT_EMBEDDING_DIMENSION,
+            embeddingBackend = env("AGENTIK_EMBEDDING_BACKEND")?.let {
+                runCatching { EmbeddingBackend.valueOf(it.uppercase()) }.getOrNull()
+            } ?: EmbeddingBackend.HTTP,
+            embeddingModelPath = env("AGENTIK_EMBEDDING_MODEL_PATH")?.takeIf { it.isNotBlank() },
+            embeddingTokenizerPath = env("AGENTIK_EMBEDDING_TOKENIZER_PATH")?.takeIf { it.isNotBlank() },
        )
    }
 }