Intégration de texte

POST https://api.4allapi.com/v1/embeddings

Transforme le texte en vecteurs à haute dimension, pour la recherche sémantique, le clustering, la recommandation et les bases de connaissances RAG.

Exemple de requête

curl https://api.4allapi.com/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AIPROXY_KEY" \
  -d '{
    "model": "text-embedding-3-large",
    "input": ["Qu'est-ce qu'4ALL API ?", "Comment créer un jeton API"]
  }'

input prend en charge une chaîne unique ou un tableau de chaînes (lot) ; dans la réponse, chaque entrée correspond à un vecteur embedding :

{
  "object": "list",
  "data": [
    { "object": "embedding", "index": 0, "embedding": [0.0123, -0.0456, ...] },
    { "object": "embedding", "index": 1, "embedding": [...] }
  ],
  "model": "text-embedding-3-large",
  "usage": { "prompt_tokens": 14, "total_tokens": 14 }
}

Recommandations pratiques

• Utilisez un seul et même modèle d’intégration pour toute la base de connaissances, les espaces vectoriels de modèles différents ne sont pas interchangeables ;
• Pour les longs documents, découpez-les d’abord en segments (par exemple 300–800 caractères, avec chevauchement), puis intégrez-les ; le taux de réussite de la recherche sera plus élevé ;
• Lors de l’intégration en lot, envoyez plusieurs éléments à la fois sous forme de tableau ; c’est plus rapide et plus économique que les requêtes une par une ;
• L’intégration est facturée selon les tokens d’entrée ; le prix est bien inférieur à celui des modèles de dialogue, ce qui la rend adaptée à l’indexation à grande échelle。