> ## 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

> Générez des embeddings vectoriels avec Venice pour la recherche sémantique, la récupération RAG, le clustering et les recommandations à l'aide du point de terminaison /embeddings.

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

<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>

## Entrées par lots

Passez un tableau de chaînes pour embarquer plusieurs textes en une seule requête :

```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 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](/guides/projects/private-rag-bot).

## Choix du modèle

Consultez la page [Modèles d'embeddings](/models/embeddings) pour comparer les modèles d'embeddings actuels, leurs dimensions et leurs tarifs.

<Note>
  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.
</Note>

## Ressources connexes

* [API Embeddings](/api-reference/endpoint/embeddings/generate)
* [Modèles d'embeddings](/models/embeddings)
* [Guide du bot RAG privé](/guides/projects/private-rag-bot)