Embeddings — POST /v1/embeddings

Le point de terminaison /v1/embeddings génère des embeddings vectoriels pour une entrée textuelle. Les embeddings représentent le sens sémantique du texte sous forme d’un tableau de flottants à haute dimension, permettant la recherche par similarité, le clustering et la génération augmentée par récupération (RAG). Le point de terminaison est compatible avec l’API Embeddings de OpenAI.

Point de terminaison

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

Modèles d’embedding pris en charge

Modèle	Dimensions	Fournisseur
`gemini-embedding-001`	3072	Google
`text-embedding-3-small`	1536	OpenAI
`text-embedding-3-large`	3072	OpenAI

Consultez le Répertoire des modèles pour connaître la disponibilité actuelle et les tarifs.

Requête

En-têtes

En-tête	Valeur
`Authorization`	`Bearer $FLATKEY_API_KEY`
`Content-Type`	`application/json`

Paramètres du corps

string

requis

Identifiant du modèle d’embedding. Exemple : "gemini-embedding-001", "text-embedding-3-small".

string | array

requis

Texte à vectoriser. Peut être une chaîne de caractères unique ou un tableau de chaînes pour un embedding par lot.

string

"float" (par défaut) retourne un tableau de flottants. "base64" retourne une chaîne encodée en base64.

integer

Nombre de dimensions pour l’embedding de sortie. Non pris en charge par tous les modèles.

Exemples de requêtes

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"
  }'

Réponse

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

Champs de la réponse

array

Tableau d’objets d’embedding, un par chaîne d’entrée.

Afficher objet embedding

integer

Position dans le tableau d’entrée.

array

Tableau de flottants représentant le vecteur d’embedding.

integer

Nombre de tokens traités.

Exemple de similarité cosinus

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

Vue d'ensemble

Endpoints

Embeddings — POST /v1/embeddings

Point de terminaison

Modèles d’embedding pris en charge

Requête

En-têtes

Paramètres du corps

Exemples de requêtes

Réponse

Champs de la réponse

Exemple de similarité cosinus

​Point de terminaison

​Modèles d’embedding pris en charge

​Requête

​En-têtes

​Paramètres du corps

​Exemples de requêtes

​Réponse

​Champs de la réponse

​Exemple de similarité cosinus

Point de terminaison

Modèles d’embedding pris en charge

Requête

En-têtes

Paramètres du corps

Exemples de requêtes

Réponse

Champs de la réponse

Exemple de similarité cosinus