> ## 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.

# Embeddings

> Erzeuge Vektor-Embeddings mit Venice für semantische Suche, RAG-Abruf, Clustering und Empfehlungen über den /embeddings-Endpunkt.

Embeddings wandeln Text in Vektoren um, die semantische Bedeutung erfassen. Verwende sie für Suche, Retrieval-Augmented Generation (RAG), Clustering, Empfehlungen, Deduplizierung und Ähnlichkeitsbewertung.

Der Embeddings-Endpunkt von Venice ist OpenAI-kompatibel. Sende einen einzelnen String oder ein Array von Strings an `/embeddings` und speichere anschließend die zurückgegebenen Vektoren in deiner Datenbank oder deinem Vektorindex.

## Grundlegende Nutzung

<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>

## Batch-Eingaben

Übergib ein Array von Strings, um mehrere Texte in einer einzigen Anfrage einzubetten:

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

Die Antwort behält die Reihenfolge der Eingaben bei. Speichere jeden Vektor zusammen mit der ID des Quelltexts, den Metadaten und der ID des Embedding-Modells.

## Typischer Ablauf

1. Teile die Ausgangsdokumente in Chunks auf.
2. Erzeuge Embeddings für jeden Chunk.
3. Speichere Vektoren und Metadaten in einer Vektordatenbank.
4. Bette die Anfrage der Nutzer:innen ein.
5. Rufe die nächstgelegenen Chunks ab.
6. Sende den abgerufenen Kontext an ein Chat-Modell.

Eine vollständige Implementierung findest du unter [Einen privaten RAG-Bot bauen](/guides/projects/private-rag-bot).

## Modellauswahl

Nutze die Seite [Embedding-Modelle](/models/embeddings), um aktuelle Embedding-Modelle, Dimensionen und Preise zu vergleichen.

<Note>
  Verwende beim Indexieren und Abfragen dasselbe Embedding-Modell. Das Mischen von Modellen kann Ähnlichkeitswerte unzuverlässig machen, da Vektorräume nicht austauschbar sind.
</Note>

## Verwandte Ressourcen

* [Embeddings-API](/api-reference/endpoint/embeddings/generate)
* [Embedding-Modelle](/models/embeddings)
* [Anleitung: Privater RAG-Bot](/guides/projects/private-rag-bot)