Embeddings
Создание векторных представлений текста
Доступные модели
Параметры запроса
Примеры
Ответ (200)
Применения
Семантический поиск
Поиск по смыслу, а не по ключевым словамRAG
Retrieval-Augmented Generation для LLMКластеризация
Группировка похожих документовКлассификация
Категоризация текстовРекомендации
Нормализуйте тексты
Приведите тексты к единому формату перед получением эмбеддинговРазделяйте на чанки
Оптимальный размер чанка: 200-800 токеновИспользуйте косинусное сходство
Для сравнения эмбеддингов используйте cosine similarity или dot-productКэшируйте результаты
Сохраняйте эмбеддинги и кэшируйте повторяющиеся по хешу текстаАвторизации
API ключ передаётся в заголовке: Authorization: Bearer <SPESHU_AI_API_KEY>
Тело
Входной текст или массив текстов для создания эмбеддингов
"Пример текста для создания эмбеддинга"
Идентификатор модели для создания эмбеддингов
"thenlper/gte-base"
Формат кодирования эмбеддингов
float, base64 "float"
Размерность выходного эмбеддинга (если модель поддерживает). Должна быть меньше или равна максимальной размерности модели
x >= 1768
Уникальный идентификатор конечного пользователя для отслеживания и предотвращения злоупотреблений
"user-123"
Ответ
Уникальный идентификатор запроса
"gen_581761234567890123"
Тип объекта (всегда "list")
list "list"
Массив эмбеддингов
ID модели, которая создала эмбеддинги
"thenlper/gte-base"
Информация об использовании токенов
