创建向量

POSThttps://vip.zen-ai.top/v1/embeddings

将文本转换为固定长度的浮点数向量。语义相近的文本向量距离更近，常用于知识库检索（RAG）、相似度计算、聚类和分类。

请求体

modelstring必填

向量模型，如 text-embedding-3-small、text-embedding-3-large、bge-m3、qwen3-embedding-8b。

inputstring | array必填

要向量化的文本，批量处理时传字符串数组。单条文本不能超过模型的最大 token 数。

dimensionsinteger

输出向量维度，仅 text-embedding-3 系列等支持降维的模型可用。

encoding_formatstring默认 float

向量编码格式。

可选值floatbase64

userstring

终端用户标识。

响应

objectstring

固定为 list。

dataarray

与输入顺序对应的向量列表，每项包含 index、embedding（浮点数数组）、object（embedding）。

modelstring

使用的模型。

usageobject

prompt_tokens、total_tokens。

请求示例

cURL

curl https://vip.zen-ai.top/v1/embeddings \
  -H "Authorization: Bearer $VIP_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "今天天气真好，适合去公园散步。"
  }'

Python

from openai import OpenAI

client = OpenAI(base_url="https://vip.zen-ai.top/v1", api_key="sk-xxxxxxxx")

resp = client.embeddings.create(
    model="text-embedding-3-small",
    input=["今天天气真好", "The weather is nice today"],
)
print(len(resp.data), len(resp.data[0].embedding))

Node.js

import OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://vip.zen-ai.top/v1", apiKey: process.env.VIP_API_KEY });

const resp = await client.embeddings.create({
  model: "text-embedding-3-small",
  input: ["今天天气真好", "The weather is nice today"],
});
console.log(resp.data[0].embedding.length);

响应示例

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [-0.0069, -0.0053, 0.0102, -0.0243, 0.0171]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": { "prompt_tokens": 14, "total_tokens": 14 }
}

计算相似度

import math

def cosine(a, b):
    dot = sum(x * y for x, y in zip(a, b))
    return dot / (math.sqrt(sum(x * x for x in a)) * math.sqrt(sum(y * y for y in b)))

texts = ["猫喜欢吃鱼", "小猫爱吃鱼", "今天股市大涨"]
vecs = [d.embedding for d in client.embeddings.create(model="text-embedding-3-small", input=texts).data]
print(cosine(vecs[0], vecs[1]))  # 较高
print(cosine(vecs[0], vecs[2]))  # 较低