텍스트 임베딩

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

텍스트를 고차원 벡터로 변환하여 의미 검색, 클러스터링, 추천 및 RAG 지식 베이스에 활용합니다.

요청 예시

curl https://api.4allapi.com/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AIPROXY_KEY" \
  -d '{
    "model": "text-embedding-3-large",
    "input": ["4ALL API 是什么", "如何创建 API 令牌"]
  }'

input은 단일 문자열 또는 문자열 배열(일괄 처리)을 지원하며, 응답에서 각 입력에 대해 하나의 embedding 벡터가 반환됩니다:

{
  "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 }
}

실용 권장 사항

동일한 지식 베이스에는 처음부터 끝까지 동일한 임베딩 모델을 사용하세요. 서로 다른 모델의 벡터 공간은 혼용할 수 없습니다;
긴 문서는 먼저 청크로 분할(예: 300–800자, 오버랩 포함)한 후 임베딩하면 검색 적중률이 높아집니다;
일괄 임베딩 시 배열로 한 번에 여러 항목을 제출하면 개별 요청보다 빠르고 효율적입니다;
임베딩은 입력 토큰 기준으로 과금되며, 가격이 대화 모델보다 훨씬 저렴하여 대규모 인덱싱에 적합합니다.