Embeddings

Создание векторных представлений текста.

POST /v1/embeddings

Описание

Преобразует текст в числовой вектор (embedding), который можно использовать для семантического поиска, кластеризации и классификации.

Заголовки

Заголовок	Обязательный	Описание
Authorization	Да	Bearer YOUR_API_KEY
Content-Type	Да	application/json

Тело запроса

{
  "model": "text-embedding-3-small",
  "input": "Текст для векторизации"
}

Параметры

Параметр	Тип	Обязательный	Описание
model	string	Да	ID модели embeddings
input	string/array	Да	Текст(ы) для векторизации
encoding_format	string	Нет	float (default) или base64
dimensions	integer	Нет	Размерность вектора (для поддерживающих моделей)

Ответ

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023, -0.0089, 0.0156, ..., -0.0034]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 5,
    "total_tokens": 5
  }
}

Поля ответа

Поле	Тип	Описание
embedding	array	Вектор чисел (float)
index	integer	Индекс в batch запросе

Модели Embeddings

OpenAI

Модель	Размерность	Цена	Описание
text-embedding-3-small	1536	$0.02/1M	Быстрая, экономичная
text-embedding-3-large	3072	$0.13/1M	Высокое качество

GigaChat

Модель	Размерность	Цена
gigachat/EmbeddingsGigaR	1024	$0.10/1M

YandexGPT

Модель	Размерность	Цена
yandexgpt/text-search-doc	256	$0.10/1M

Примеры

cURL

curl https://api.aipomogator.ru/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $API_KEY" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "Машинное обучение - это раздел искусственного интеллекта"
  }'

Python

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.aipomogator.ru/v1"
)

response = client.embeddings.create(
    model="text-embedding-3-small",
    input="Машинное обучение - это раздел искусственного интеллекта"
)

embedding = response.data[0].embedding
print(f"Размерность: {len(embedding)}")
print(f"Первые 5 значений: {embedding[:5]}")

Batch запрос

response = client.embeddings.create(
    model="text-embedding-3-small",
    input=[
        "Первый текст для векторизации",
        "Второй текст для векторизации",
        "Третий текст для векторизации"
    ]
)

for item in response.data:
    print(f"Index {item.index}: {len(item.embedding)} dimensions")

JavaScript

import OpenAI from 'openai';

const client = new OpenAI({
  apiKey: 'YOUR_API_KEY',
  baseURL: 'https://api.aipomogator.ru/v1',
});

const response = await client.embeddings.create({
  model: 'text-embedding-3-small',
  input: 'Машинное обучение - это раздел искусственного интеллекта',
});

const embedding = response.data[0].embedding;
console.log(`Размерность: ${embedding.length}`);

Применение

Семантический поиск

import numpy as np

def cosine_similarity(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

# Создаём embeddings для базы знаний
documents = [
    "Python — язык программирования",
    "JavaScript используется для веб-разработки",
    "Машинное обучение анализирует данные"
]

doc_embeddings = client.embeddings.create(
    model="text-embedding-3-small",
    input=documents
).data

# Поиск по запросу
query = "программирование на питоне"
query_embedding = client.embeddings.create(
    model="text-embedding-3-small",
    input=query
).data[0].embedding

# Находим наиболее похожий документ
similarities = [
    cosine_similarity(query_embedding, doc.embedding)
    for doc in doc_embeddings
]

best_match = documents[np.argmax(similarities)]
print(f"Наиболее релевантный: {best_match}")

RAG (Retrieval-Augmented Generation)

# 1. Индексируем документы
chunks = split_into_chunks(document)
embeddings = client.embeddings.create(
    model="text-embedding-3-small",
    input=chunks
)
store_in_vector_db(chunks, embeddings)

# 2. Поиск релевантного контекста
query_embedding = client.embeddings.create(
    model="text-embedding-3-small",
    input=user_question
)
relevant_chunks = vector_db.search(query_embedding, top_k=3)

# 3. Генерация ответа с контекстом
context = "\n".join(relevant_chunks)
response = client.chat.completions.create(
    model="anthropic/claude-sonnet-4-5-20250929",
    messages=[
        {"role": "system", "content": f"Контекст:\n{context}"},
        {"role": "user", "content": user_question}
    ]
)

Рекомендации

• text-embedding-3-small — для большинства задач
• text-embedding-3-large — когда нужна максимальная точность
• Используйте batch запросы для эффективности
• Храните embeddings в векторных БД (Pinecone, Milvus, pgvector)

Ошибки

400 Bad Request

{
  "error": {
    "message": "Input too long",
    "type": "invalid_request_error"
  }
}

Максимальная длина input зависит от модели (обычно 8191 токенов).