跳转到主要内容
嵌入向量将文本转换为能够捕获语义信息的向量。可将其用于搜索、检索增强生成（RAG）、聚类、推荐、去重以及相似度评分。 Venice 的嵌入端点与 OpenAI 兼容。向 /embeddings 发送一个字符串或字符串数组，然后将返回的向量存入你的数据库或向量索引中。

​
基本用法

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"
  }'

​
批量输入

传入字符串数组即可在一次请求中嵌入多段文本： 
{
  "model": "text-embedding-bge-m3",
  "input": [
    "Venice supports private chat completions.",
    "Embeddings help retrieve relevant documents.",
    "Vector search powers RAG applications."
  ]
}
响应会保留输入的顺序。请将每个向量连同源文本 ID、元数据以及嵌入模型 ID 一起存储。

​
常见工作流

  1. 将源文档切分为若干块。
  2. 为每个块生成嵌入向量。
  3. 将向量和元数据存入向量数据库。
  4. 嵌入用户的查询。
  5. 检索相邻的文本块。
  6. 将检索到的上下文发送给聊天模型。
完整实现请参阅 构建私有 RAG 机器人。

​
模型选择

请使用 嵌入模型 页面比较当前可用的嵌入模型、维度和价格。
索引和查询时请使用相同的嵌入模型。混用模型会导致相似度得分不可靠，因为不同模型的向量空间并不通用。

​
相关资源