Embeddings — POST /v1/embeddings

Der /v1/embeddings-Endpunkt generiert Vektoreinbettungen für Texteingaben. Einbettungen repräsentieren die semantische Bedeutung von Text als hochdimensionales Float-Array und ermöglichen Ähnlichkeitssuche, Clustering und Retrieval-Augmented Generation (RAG). Der Endpunkt ist kompatibel mit der OpenAI Embeddings API.

Endpunkt

POST https://router.flatkey.ai/v1/embeddings

Unterstützte Einbettungsmodelle

Modell	Dimensionen	Anbieter
`gemini-embedding-001`	3072	Google
`text-embedding-3-small`	1536	OpenAI
`text-embedding-3-large`	3072	OpenAI

Aktuelle Verfügbarkeit und Preise finden Sie im Modellverzeichnis.

Anfrage

Header	Wert
`Authorization`	`Bearer $FLATKEY_API_KEY`
`Content-Type`	`application/json`

Body-Parameter

string

erforderlich

Einbettungsmodell-ID. Beispiel: "gemini-embedding-001", "text-embedding-3-small".

string | array

erforderlich

Einzubettender Text. Kann ein einzelner String oder ein Array von Strings für Batch-Einbettungen sein.

string

"float" (Standard) gibt ein Float-Array zurück. "base64" gibt einen base64-kodierten String zurück.

integer

Anzahl der Dimensionen für die Ausgabeeinbettung. Wird nicht von allen Modellen unterstützt.

Beispielanfragen

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["FLATKEY_API_KEY"],
    base_url="https://router.flatkey.ai/v1",
)

# Single text
response = client.embeddings.create(
    model="gemini-embedding-001",
    input="The quick brown fox jumps over the lazy dog",
)

embedding = response.data[0].embedding
print(f"Embedding dimensions: {len(embedding)}")
print(f"First 5 values: {embedding[:5]}")

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["FLATKEY_API_KEY"],
    base_url="https://router.flatkey.ai/v1",
)

# Batch embedding
texts = [
    "What is machine learning?",
    "How does neural network training work?",
    "Explain gradient descent",
]

response = client.embeddings.create(
    model="gemini-embedding-001",
    input=texts,
)

for i, item in enumerate(response.data):
    print(f"{texts[i]}: {len(item.embedding)} dimensions")

curl https://router.flatkey.ai/v1/embeddings \
  -H "Authorization: Bearer $FLATKEY_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-embedding-001",
    "input": "The quick brown fox jumps over the lazy dog"
  }'

Antwort

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023064255, -0.009327292, ...]
    }
  ],
  "model": "gemini-embedding-001",
  "usage": {
    "prompt_tokens": 9,
    "total_tokens": 9
  }
}

Antwortfelder

array

Array von Einbettungsobjekten, eines pro Eingabe-String.

Anzeigen Einbettungsobjekt

integer

Position im Eingabe-Array.

array

Float-Array des Einbettungsvektors.

integer

Anzahl der verarbeiteten Token.

Beispiel zur Kosinus-Ähnlichkeit

python

import os
import numpy as np
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["FLATKEY_API_KEY"],
    base_url="https://router.flatkey.ai/v1",
)

def embed(text):
    return client.embeddings.create(
        model="gemini-embedding-001",
        input=text,
    ).data[0].embedding

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

q = embed("capital city of France")
doc1 = embed("Paris is the capital and most populous city of France.")
doc2 = embed("The Eiffel Tower is a famous landmark.")

print(cosine_similarity(q, doc1))  # higher — more relevant
print(cosine_similarity(q, doc2))  # lower

Überblick

Endpunkte

Embeddings — POST /v1/embeddings

Endpunkt

Unterstützte Einbettungsmodelle

Anfrage

Header

Body-Parameter

Beispielanfragen

Antwort

Antwortfelder

Beispiel zur Kosinus-Ähnlichkeit

​Endpunkt

​Unterstützte Einbettungsmodelle

​Anfrage

​Header

​Body-Parameter

​Beispielanfragen

​Antwort

​Antwortfelder

​Beispiel zur Kosinus-Ähnlichkeit

Endpunkt

Unterstützte Einbettungsmodelle

Anfrage

Header

Body-Parameter

Beispielanfragen

Antwort

Antwortfelder

Beispiel zur Kosinus-Ähnlichkeit