用途：部署并调用多模态嵌入微服务，为文本、图像、视频生成嵌入向量，用于图像相似度检索、文本搜图、重复图像检测等场景。
主要能力：支持 CLIP/SigLIP/MobileCLIP/CN-CLIP/Blip2/QwenText 等模型切换；REST 基地址为 http://localhost:9777（容器内 8000，主机端口由 setup.sh 固定）；文本返回单个向量，图像返回单个向量，视频返回逐帧向量列表；提供 /health、/model/capabilities、/model/current、/embeddings 等接口。
使用方式：在仓库 microservices/multimodal-embedding-serving/ 目录下，或从 GitHub raw 获取 setup.sh 与 docker/compose.yaml 后，导出 EMBEDDING_MODEL_NAME（默认 CLIP/clip-vit-b-32，512 维），可选 REGISTRY_URL=intel、TAG=latest，然后 source setup.sh 并执行 docker compose -f docker/compose.yaml up -d --no-build；用 until curl -sf http://localhost:9777/health; do sleep 5; done 等待就绪。Intel GPU 需额外导出 EMBEDDING_DEVICE=GPU。非文本输入前必须先查 /model/capabilities。请求中 model 必须与已加载模型一致，否则返回 400。停止用 docker compose -f docker/compose.yaml down。
限制：QwenText 仅支持文本，图像/视频请求返回 400；MobileCLIP/Blip2 附加组件仅存在于 Docker 镜像，wheel 不在 PyPI；首次非文本请求因 OpenVINO 转换编译会较慢；setup.sh 未导出 EMBEDDING_MODEL_NAME 会直接报错；端口 9777 被占用需先停止冲突服务。