向量化

向量化接口将文本转换为高维向量表示，广泛应用于语义搜索、文本聚类、推荐系统等场景。

接口信息

属性	值
基础 URL	https://api.quickapi.store
端点	POST /v1/embeddings
Content-Type	application/json
认证方式	Bearer Token

请求参数

参数	类型	必填	说明
model	string	是	模型名称：text-embedding-3-small、text-embedding-3-large、text-embedding-ada-002
input	string / array	是	待向量化的文本，可以是字符串或字符串数组
encoding_format	string	否	编码格式：float、base64，默认 float
dimensions	integer	否	输出向量维度（仅 text-embedding-3 系列支持）

支持的模型

模型	最大维度	说明
text-embedding-3-small	1536	高性价比，适合大多数场景
text-embedding-3-large	3072	最高精度，适合对语义要求高的场景
text-embedding-ada-002	1536	上一代模型，兼容性好

示例

单文本向量化

curl https://api.quickapi.store/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $YOUR_API_KEY" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "今天天气真好，适合出去散步"
  }'

批量文本向量化

curl https://api.quickapi.store/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $YOUR_API_KEY" \
  -d '{
    "model": "text-embedding-3-small",
    "input": [
      "机器学习是人工智能的一个分支",
      "深度学习使用多层神经网络",
      "自然语言处理让计算机理解人类语言",
      "计算机视觉让机器看懂世界"
    ]
  }'

指定维度

curl https://api.quickapi.store/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $YOUR_API_KEY" \
  -d '{
    "model": "text-embedding-3-large",
    "input": "如何在 Python 中实现一个简单的 Web 服务器",
    "dimensions": 256
  }'

响应示例

{
  "object": "list",
  "model": "text-embedding-3-small",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [
        0.0023064255,
        -0.009327321,
        0.015792489,
        -0.007674811,
        0.008525297,
        "..."
      ]
    }
  ],
  "usage": {
    "prompt_tokens": 8,
    "total_tokens": 8
  }
}

Python 示例

from openai import OpenAI

client = OpenAI(
    api_key="your-api-key",
    base_url="https://api.quickapi.store/v1"
)

# 单文本向量化
response = client.embeddings.create(
    model="text-embedding-3-small",
    input="今天天气真好，适合出去散步"
)
embedding = response.data[0].embedding
print(f"向量维度: {len(embedding)}")
print(f"前5个值: {embedding[:5]}")

# 批量向量化
response = client.embeddings.create(
    model="text-embedding-3-small",
    input=[
        "机器学习是人工智能的一个分支",
        "深度学习使用多层神经网络",
        "自然语言处理让计算机理解人类语言"
    ]
)
for i, item in enumerate(response.data):
    print(f"文本 {i}: 维度 {len(item.embedding)}")

# 使用余弦相似度计算文本相似度
import numpy as np

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

vec1 = response.data[0].embedding
vec2 = response.data[1].embedding
similarity = cosine_similarity(vec1, vec2)
print(f"文本1和文本2的相似度: {similarity:.4f}")

提示

text-embedding-3-small 在大多数场景下性价比最高；如果对语义精度要求极高，建议使用 text-embedding-3-large。

注意

dimensions 参数仅支持 text-embedding-3 系列模型，text-embedding-ada-002 不支持维度缩减。降低维度会损失部分语义信息，请根据实际需求权衡。