接口说明
Embeddings API 用于将文本转换为向量表示，可用于语义搜索、文本相似度计算、聚类等场景。
请求方式
POST
请求地址
/v1/embeddings
认证方式
Authorization: Bearer <API_KEY>
请求参数
| 参数名 | 类型 | 必填 | 说明 |
|---|---|---|---|
model |
string | 是 | 模型名称，如 text-embedding-3-small |
input |
string | 是 | 要嵌入的文本内容 |
encoding_format |
string | 否 | 编码格式：float / base64 |
请求示例
curl
curl https://api.lingyuncx.com/v1/embeddings \
-H "Authorization: Bearer sk-xxxxxxxx" \
-H "Content-Type: application/json" \
-d '{
"model": "text-embedding-3-small",
"input": "今天天气真好，适合出去玩"
}'
Python
from openai import OpenAI
client = OpenAI(
base_url="https://api.lingyuncx.com/v1",
api_key="sk-xxxxxxxx"
)
response = client.embeddings.create(
model="text-embedding-3-small",
input="今天天气真好，适合出去玩"
)
print(response.data[0].embedding)
返回示例
JSON
{
"object": "list",
"data": [{
"object": "embedding",
"embedding": [0.0023, -0.0156, 0.0321, ...],
"index": 0
}],
"model": "text-embedding-3-small",
"usage": {
"prompt_tokens": 12,
"total_tokens": 12
}
}
应用场景
语义搜索
将文档和查询转换为向量，通过计算向量相似度实现语义搜索。
文本聚类
将大量文本向量化后进行聚类分析，发现文本间的潜在关联。
推荐系统
计算用户历史行为和候选内容的向量相似度，实现个性化推荐。
RAG 应用
构建向量知识库，为大模型提供外部知识，减少幻觉。
支持模型
| 模型 | 维度 | 最大输入 | 价格 |
|---|---|---|---|
text-embedding-3-small |
1536 | 8191 tokens | ¥0.02 / 1M tokens |
text-embedding-3-large |
3072 | 8191 tokens | ¥0.13 / 1M tokens |
bge-large-zh |
1024 | 512 tokens | ¥0.01 / 1M tokens |