Текстовые эмбеддинги

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

Преобразует текст в высокоразмерные векторы для семантического поиска, кластеризации, рекомендаций и базы знаний RAG.

Пример запроса

curl https://api.4allapi.com/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AIPROXY_KEY" \
  -d '{
    "model": "text-embedding-3-large",
    "input": ["Что такое 4ALL API", "Как создать API-токен"]
  }'

input поддерживает одну строку или массив строк (пакетная обработка); в ответе каждому входному значению соответствует один вектор 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 }
}

Практические рекомендации

Для всей базы знаний используйте один и тот же модель эмбеддингов, векторы из разных моделей нельзя смешивать;
Длинные документы сначала разбивайте на фрагменты (например, по 300–800 символов с перекрытием), затем встраивайте их — это повышает точность поиска;
При пакетном встраивании отправляйте несколько элементов за один запрос массивом — это быстрее и экономичнее, чем по одному;
Эмбеддинги тарифицируются по входным токенам, их цена значительно ниже, чем у диалоговых моделей, поэтому они подходят для крупномасштабной индексации.