> ## 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

> Genera embeddings vectoriales con Venice para búsqueda semántica, recuperación RAG, clustering y recomendaciones usando el endpoint /embeddings.

Los embeddings convierten texto en vectores que capturan significado semántico. Úsalos para búsqueda, generación aumentada por recuperación (RAG), clustering, recomendaciones, deduplicación y puntuación de similitud.

El endpoint de embeddings de Venice es compatible con OpenAI. Envía una cadena o un arreglo de cadenas a `/embeddings` y almacena los vectores devueltos en tu base de datos o índice vectorial.

## Uso básico

<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>

## Entradas por lotes

Pasa un arreglo de cadenas para generar embeddings de varios textos en una sola solicitud:

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

La respuesta conserva el orden de entrada. Almacena cada vector junto con el ID del texto de origen, los metadatos y el ID del modelo de embeddings.

## Flujo de trabajo común

1. Divide los documentos de origen en fragmentos.
2. Genera embeddings para cada fragmento.
3. Almacena los vectores y metadatos en una base de datos vectorial.
4. Genera el embedding de la consulta del usuario.
5. Recupera los fragmentos cercanos.
6. Envía el contexto recuperado a un modelo de chat.

Para una implementación completa, consulta [Crear un bot RAG privado](/guides/projects/private-rag-bot).

## Selección de modelo

Utiliza la página de [Modelos de Embeddings](/models/embeddings) para comparar los modelos de embeddings actuales, sus dimensiones y precios.

<Note>
  Usa el mismo modelo de embeddings para indexar y consultar. Mezclar modelos puede hacer que las puntuaciones de similitud no sean fiables porque los espacios vectoriales no son intercambiables.
</Note>

## Recursos relacionados

* [API de Embeddings](/api-reference/endpoint/embeddings/generate)
* [Modelos de Embeddings](/models/embeddings)
* [Guía del bot RAG privado](/guides/projects/private-rag-bot)