> ## Documentation Index
> Fetch the complete documentation index at: https://docs.venice.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# التضمينات

> أنشئ متجهات تضمين مع Venice للبحث الدلالي واسترجاع RAG والتجميع والتوصيات باستخدام نقطة النهاية /embeddings.

تحوّل التضمينات النصَّ إلى متجهات تلتقط المعنى الدلالي. استخدمها للبحث، والتوليد المعزّز بالاسترجاع (RAG)، والتجميع، والتوصيات، وإزالة التكرار، وحساب التشابه.

نقطة نهاية التضمينات في Venice متوافقة مع OpenAI. أرسل سلسلة نصية واحدة أو مصفوفة من السلاسل إلى `/embeddings`، ثم خزّن المتجهات المُعادة في قاعدة بياناتك أو فهرس المتجهات.

## الاستخدام الأساسي

<CodeGroup>
  ```python Python theme={"system"}
  import os
  from openai import OpenAI

  client = OpenAI(
      api_key=os.environ["VENICE_API_KEY"],
      base_url="https://api.venice.ai/api/v1",
  )

  response = client.embeddings.create(
      model="text-embedding-bge-m3",
      input="Privacy-first AI infrastructure for semantic search",
  )

  vector = response.data[0].embedding
  print(len(vector), vector[:5])
  ```

  ```javascript Node.js theme={"system"}
  import OpenAI from "openai";

  const client = new OpenAI({
    apiKey: process.env.VENICE_API_KEY,
    baseURL: "https://api.venice.ai/api/v1",
  });

  const response = await client.embeddings.create({
    model: "text-embedding-bge-m3",
    input: "Privacy-first AI infrastructure for semantic search",
  });

  const vector = response.data[0].embedding;
  console.log(vector.length, vector.slice(0, 5));
  ```

  ```bash cURL theme={"system"}
  curl https://api.venice.ai/api/v1/embeddings \
    -H "Authorization: Bearer $VENICE_API_KEY" \
    -H "Content-Type: application/json" \
    -d '{
      "model": "text-embedding-bge-m3",
      "input": "Privacy-first AI infrastructure for semantic search",
      "encoding_format": "float"
    }'
  ```
</CodeGroup>

## المدخلات المجمّعة

مرّر مصفوفة من السلاسل لتضمين نصوص متعددة في طلب واحد:

```json theme={"system"}
{
  "model": "text-embedding-bge-m3",
  "input": [
    "Venice supports private chat completions.",
    "Embeddings help retrieve relevant documents.",
    "Vector search powers RAG applications."
  ]
}
```

تحافظ الاستجابة على ترتيب المدخلات. خزّن كل متجه مع معرّف النص المصدر، والبيانات الوصفية، ومعرّف نموذج التضمين.

## سير العمل الشائع

1. قسّم المستندات المصدر إلى أجزاء.
2. أنشئ تضمينات لكل جزء.
3. خزّن المتجهات والبيانات الوصفية في قاعدة بيانات متجهات.
4. ضمّن استعلام المستخدم.
5. استرجع الأجزاء القريبة.
6. أرسل السياق المسترجع إلى نموذج محادثة.

للاطلاع على تنفيذ كامل، راجع [بناء روبوت RAG خاص](/guides/projects/private-rag-bot).

## اختيار النموذج

استخدم صفحة [نماذج التضمين](/models/embeddings) لمقارنة نماذج التضمين الحالية والأبعاد والأسعار.

<Note>
  استخدم نفس نموذج التضمين للفهرسة والاستعلام. مزج النماذج قد يجعل درجات التشابه غير موثوقة لأن فضاءات المتجهات غير قابلة للتبادل.
</Note>

## موارد ذات صلة

* [واجهة برمجة التطبيقات للتضمينات](/api-reference/endpoint/embeddings/generate)
* [نماذج التضمين](/models/embeddings)
* [دليل روبوت RAG الخاص](/guides/projects/private-rag-bot)