> ## 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.

# 임베딩

> Venice에서 벡터 임베딩을 생성하여 /embeddings 엔드포인트로 시맨틱 검색, RAG 검색, 클러스터링 및 추천에 활용하세요.

임베딩은 텍스트를 의미를 담은 벡터로 변환합니다. 검색, 검색 증강 생성(RAG), 클러스터링, 추천, 중복 제거 및 유사도 점수 산출에 사용할 수 있습니다.

Venice 임베딩 엔드포인트는 OpenAI와 호환됩니다. 하나의 문자열 또는 문자열 배열을 `/embeddings`로 전송한 다음, 반환된 벡터를 데이터베이스 또는 벡터 인덱스에 저장하세요.

## 기본 사용법

<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>

## 배치 입력

여러 텍스트를 한 번의 요청으로 임베딩하려면 문자열 배열을 전달하세요:

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

응답은 입력 순서를 보존합니다. 각 벡터를 소스 텍스트 ID, 메타데이터, 임베딩 모델 ID와 함께 저장하세요.

## 일반적인 워크플로

1. 소스 문서를 청크로 분할합니다.
2. 각 청크에 대해 임베딩을 생성합니다.
3. 벡터와 메타데이터를 벡터 데이터베이스에 저장합니다.
4. 사용자의 질의를 임베딩합니다.
5. 근접한 청크를 검색합니다.
6. 검색된 컨텍스트를 채팅 모델에 전달합니다.

전체 구현은 [비공개 RAG 봇 만들기](/guides/projects/private-rag-bot)를 참조하세요.

## 모델 선택

현재 사용 가능한 임베딩 모델, 차원, 가격을 비교하려면 [임베딩 모델](/models/embeddings) 페이지를 이용하세요.

<Note>
  인덱싱과 질의에는 동일한 임베딩 모델을 사용하세요. 서로 다른 모델을 혼합하면 벡터 공간이 호환되지 않아 유사도 점수가 신뢰할 수 없게 됩니다.
</Note>

## 관련 리소스

* [임베딩 API](/api-reference/endpoint/embeddings/generate)
* [임베딩 모델](/models/embeddings)
* [비공개 RAG 봇 가이드](/guides/projects/private-rag-bot)