Embeddings
テキストをベクトルに変換し、セマンティック検索、RAG、類似コンテンツの推薦に使用します。
概要
Embeddingsはテキストをベクトルに変換し、アプリケーションが意味の類似度に基づいてコンテンツを検索できるようにします。主な用途には、セマンティック検索、検索拡張生成（RAG）、類似コンテンツの推薦があります。
Embeddingsは大量のコンテンツから候補を取得します。Rerankはクエリと候補ドキュメントを受け取り、候補の順序をさらに調整します。両者は個別に使用することも、2段階の検索フローとして組み合わせることもできます。
API接続
Base URL
https://api.agtcloud.cn/v1ベクトルを作成する
curl 'https://api.agtcloud.cn/v1/embeddings' \
-H 'Authorization: Bearer your-api-key' \
-H 'Content-Type: application/json' \
--data '{
"model": "MODEL_ID",
"input": [
"AGTCloudは統一されたモデル呼び出しエンドポイントを提供します。",
"Embeddingsはセマンティック検索に使用できます。"
]
}'| パラメータ | 必須 | 説明 |
|---|---|---|
model | はい | EmbeddingモデルID |
input | はい | 1件のテキスト、テキスト配列、またはToken配列 |
encoding_format | いいえ | 返されるベクトルのエンコード形式 |
dimensions | いいえ | 期待する出力ベクトルの次元数。一部のモデルのみ対応 |
結果を読み取る
data[].embedding：生成されたベクトル。data[].index：現在のベクトルに対応する入力インデックス。usage：このリクエストのToken使用量。
インデックス作成と検索の設定を一致させる
| 設定 | 不一致によって発生する可能性がある結果 |
|---|---|
| モデルとバージョン | 新旧のベクトルが異なる空間に属し、信頼できる比較ができない |
| ベクトル次元 | ベクトルデータベースへの書き込みや類似度計算に失敗する |
| テキスト前処理 | クエリとドキュメントの意味表現にずれが生じる |
| 距離尺度 | スコアの意味と並び順が変わる |