向量嵌入（Embeddings）API 可以将文本转换为高维向量表示，用于语义搜索、文本相似度计算、聚类分析等场景。
语义搜索
理解用户搜索意图，返回语义相关的结果。
相似度计算
计算文本之间的语义相似度。
聚类分析
将相似的文本自动分组。
RAG 应用
构建检索增强生成（RAG）应用。
curl -X POST https://api.atdak.com/v1/embeddings \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "text-embedding-v3",
"input": ["艾塔达克提供强大的 AI 服务", "人工智能改变世界"]
}'
| 参数 | 类型 | 必填 | 说明 |
|---|---|---|---|
| model | string | 是 | 模型名称 |
| input | string/array | 是 | 输入文本，可以是字符串或字符串数组 |
| encoding_format | string | 否 | 输出格式，float 或 base64 |
| dimensions | integer | 否 | 向量维度，部分模型支持 |
{
"object": "list",
"model": "text-embedding-v3",
"data": [
{
"index": 0,
"object": "embedding",
"embedding": [0.0023064255, -0.009327292, ...]
},
{
"index": 1,
"object": "embedding",
"embedding": [-0.0028842222, 0.0073928394, ...]
}
],
"usage": {
"prompt_tokens": 18,
"total_tokens": 18
}
}
| 模型 | 维度 | 最大 Token | 说明 |
|---|---|---|---|
| text-embedding-v3 | 1536 | 8192 | 最新一代通用嵌入模型 |
| text-embedding-v2 | 1536 | 8192 | 稳定版本，兼容性好 |
| text-embedding-v3-small | 512 | 8192 | 轻量版，速度更快 |
| text-embedding-v3-large | 3072 | 8192 | 高精度版本 |
from atdak import Atdak
client = Atdak(api_key="YOUR_API_KEY")
# 创建嵌入向量
response = client.embeddings.create(
model="text-embedding-v3",
input=["你好，世界", "Hello, World"]
)
# 获取向量
embedding1 = response.data[0].embedding
embedding2 = response.data[1].embedding
# 计算余弦相似度
import numpy as np
similarity = np.dot(embedding1, embedding2) / (
np.linalg.norm(embedding1) * np.linalg.norm(embedding2)
)
print(f"相似度: {similarity:.4f}")
import { Atdak } from 'atdak';
const client = new Atdak({ apiKey: 'YOUR_API_KEY' });
const response = await client.embeddings.create({
model: 'text-embedding-v3',
input: ['你好，世界', 'Hello, World']
});
console.log(response.data[0].embedding);
| 模型 | 价格 |
|---|---|
| text-embedding-v3 | ¥0.0001/千 Token |
| text-embedding-v3-small | ¥0.00005/千 Token |
| text-embedding-v3-large | ¥0.0002/千 Token |