文本向量化

POST /v1/embeddings

将文本转换为高维向量，用于语义检索、RAG（检索增强生成）、聚类分析、推荐系统等场景。

input 支持单个字符串或字符串数组（批量处理）。

请求参数

参数	类型	必填	说明
model	string	✅	向量化模型 ID，如 text-embedding-3-small
input	string / array	✅	待向量化的文本，支持批量传入字符串数组
dimensions	integer	—	输出向量维度（降维），部分模型支持
encoding_format	string	—	输出格式：float（默认）或 base64

请求示例

cURL

curl https://api.idreame.com/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-xxxxxxxx" \
  -d '{
    "model": "text-embedding-3-small",
    "input": ["你好，世界", "Hello, world"]
  }'

Python

from openai import OpenAI

client = OpenAI(
    base_url="https://api.idreame.com/v1",
    api_key="sk-xxxxxxxx",
)

response = client.embeddings.create(
    model="text-embedding-3-small",
    input=["你好，世界", "Hello, world"],
)

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

响应示例

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023, -0.0091, 0.0142, ...]
    },
    {
      "object": "embedding",
      "index": 1,
      "embedding": [0.0154, 0.0037, -0.0089, ...]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 8,
    "total_tokens": 8
  }
}

常见用法：语义相似度

import numpy as np
from openai import OpenAI

client = OpenAI(
    base_url="https://api.idreame.com/v1",
    api_key="sk-xxxxxxxx",
)

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

texts = ["苹果是一种水果", "香蕉是黄色的", "猫是一种宠物"]
query = "水果有哪些？"

# 批量获取向量
all_texts = [query] + texts
response = client.embeddings.create(
    model="text-embedding-3-small",
    input=all_texts,
)

embeddings = [item.embedding for item in response.data]
query_vec = embeddings[0]
doc_vecs = embeddings[1:]

# 计算相似度并排序
scores = [(texts[i], cosine_similarity(query_vec, doc_vecs[i])) for i in range(len(texts))]
scores.sort(key=lambda x: x[1], reverse=True)

for text, score in scores:
    print(f"{score:.4f}  {text}")

推荐模型

模型	维度	适用场景
text-embedding-3-small	1536	通用语义检索，性价比高
text-embedding-3-large	3072	高精度语义理解
text-embedding-ada-002	1536	兼容旧项目