Embeddings

Convertissez du texte en vecteurs pour la recherche sémantique, le RAG et la recommandation de contenus similaires.

Vue d’ensemble

Les embeddings convertissent le texte en vecteurs afin de rechercher des contenus selon leur similarité sémantique. Ils servent notamment à la recherche sémantique, à la génération augmentée par la recherche (RAG) et à la recommandation de contenus similaires.

Les embeddings sélectionnent des candidats parmi de nombreux contenus ; Rerank reçoit la requête et les documents candidats pour affiner leur classement. Les deux peuvent s’utiliser séparément ou dans une recherche en deux étapes.

Intégration API

Base URL

https://api.agtcloud.cn/v1

Créer des vecteurs

curl 'https://api.agtcloud.cn/v1/embeddings' \
  -H 'Authorization: Bearer your-api-key' \
  -H 'Content-Type: application/json' \
  --data '{
    "model": "MODEL_ID",
    "input": [
      "AGTCloud propose un point d’accès unifié aux modèles.",
      "Les embeddings permettent la recherche sémantique."
    ]
  }'

Paramètre	Obligatoire	Description
`model`	Oui	Identifiant du modèle d’embedding
`input`	Oui	Texte unique, tableau de textes ou tableau de tokens
`encoding_format`	Non	Format d’encodage des vecteurs retournés
`dimensions`	Non	Dimension souhaitée des vecteurs, prise en charge par certains modèles seulement

Lire les résultats

data[].embedding : vecteur généré.
data[].index : index de l’entrée correspondant au vecteur.
usage : consommation de tokens de la requête.

Assurer la cohérence entre l’indexation et les requêtes

Configuration	Conséquence possible d’une différence
Modèle et version	Les anciens et nouveaux vecteurs appartiennent à des espaces différents et ne sont pas comparables de manière fiable
Dimension des vecteurs	Échec de l’écriture dans la base vectorielle ou du calcul de similarité
Prétraitement du texte	Décalage entre les représentations sémantiques des requêtes et des documents
Mesure de distance	Modification de la signification des scores et du classement