Passer au contenu principal
Les embeddings convertissent le texte en vecteurs qui capturent le sens sémantique. Utilisez-les pour la recherche, la génération augmentée par récupération (RAG), le clustering, les recommandations, la déduplication et le calcul de similarité. Le point de terminaison d’embeddings de Venice est compatible avec OpenAI. Envoyez une chaîne de caractères ou un tableau de chaînes à /embeddings, puis stockez les vecteurs retournés dans votre base de données ou votre index vectoriel.

​
Utilisation de base

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])

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));

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"
  }'

​
Entrées par lots

Passez un tableau de chaînes pour embarquer plusieurs textes en une seule requête : 
{
  "model": "text-embedding-bge-m3",
  "input": [
    "Venice supports private chat completions.",
    "Embeddings help retrieve relevant documents.",
    "Vector search powers RAG applications."
  ]
}
La réponse conserve l’ordre des entrées. Stockez chaque vecteur avec l’identifiant du texte source, les métadonnées et l’identifiant du modèle d’embedding.

​
Flux de travail courant

  1. Découpez les documents sources en fragments.
  2. Générez les embeddings pour chaque fragment.
  3. Stockez les vecteurs et les métadonnées dans une base de données vectorielle.
  4. Générez l’embedding de la requête utilisateur.
  5. Récupérez les fragments proches.
  6. Envoyez le contexte récupéré à un modèle de chat.
Pour une implémentation complète, consultez Créer un bot RAG privé.

​
Choix du modèle

Consultez la page Modèles d’embeddings pour comparer les modèles d’embeddings actuels, leurs dimensions et leurs tarifs.
Utilisez le même modèle d’embedding pour l’indexation et l’interrogation. Mélanger les modèles peut rendre les scores de similarité peu fiables car les espaces vectoriels ne sont pas interchangeables.

​
Ressources connexes