向量嵌入 (Embeddings)

将文本转换为高维向量，用于语义搜索、RAG、文本聚类和推荐系统。

API 端点

POST https://api2everything.xyz/v1/embeddings

请求参数

可用模型

请求示例

curl -X POST https://api2everything.xyz/v1/embeddings \
  -H "Authorization: Bearer sk-your-api-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "WLON API 是一站式 AI 大模型中转服务"
  }'

响应格式

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023064255, -0.009327292, 0.015797347, ...]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 15,
    "total_tokens": 15
  }
}

完整 Python 示例

基础用法

from openai import OpenAI

client = OpenAI(
    api_key="sk-your-api-key",
    base_url="https://api2everything.xyz/v1"
)

response = client.embeddings.create(
    model="text-embedding-3-small",
    input="WLON API 是一站式 AI 大模型中转服务"
)

embedding = response.data[0].embedding
print(f"向量维度: {len(embedding)}")
print(f"前 5 个值: {embedding[:5]}")

批量嵌入

texts = [
    "如何使用 WLON API？",
    "WLON API 支持哪些模型？",
    "如何查看 API 用量？"
]

response = client.embeddings.create(
    model="text-embedding-3-small",
    input=texts
)

for item in response.data:
    print(f"文本 {item.index}: 向量维度 = {len(item.embedding)}")

计算文本相似度

import numpy as np
from openai import OpenAI

client = OpenAI(
    api_key="sk-your-api-key",
    base_url="https://api2everything.xyz/v1"
)

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

# 获取两段文本的向量
response = client.embeddings.create(
    model="text-embedding-3-small",
    input=["今天天气真好", "今天阳光明媚"]
)

vec_a = response.data[0].embedding
vec_b = response.data[1].embedding

similarity = cosine_similarity(vec_a, vec_b)
print(f"相似度: {similarity:.4f}")  # 输出接近 1.0，说明语义相近

典型应用场景

RAG（检索增强生成）

RAG 是 Embeddings 最常见的应用。流程如下：

1. 索引阶段 — 将文档切分为小段，调用 Embeddings API 获取向量，存入向量数据库（如 Pinecone、Milvus、Chroma）
2. 查询阶段 — 用户提问时，将问题向量化，在向量数据库中检索最相似的文档片段
3. 生成阶段 — 将检索到的文档片段作为上下文，传入 Chat Completions API，生成最终回复

语义搜索

传统关键词搜索依赖精确匹配，而基于 Embeddings 的语义搜索能理解"同义词"和"近义表达"。例如搜索"如何减肥"也能匹配到"健康瘦身方法"。

其他场景

• 文本聚类 — 将大量文本向量化后，使用 K-Means 等算法自动分组
• 推荐系统 — 计算用户兴趣向量与内容向量的相似度，进行个性化推荐
• 去重与查重 — 通过向量相似度检测近似重复的文本