Embeddings — POST /v1/embeddings

Endpoint /v1/embeddings tạo vector embeddings cho đầu vào văn bản. Embeddings biểu diễn ý nghĩa ngữ nghĩa của văn bản dưới dạng mảng float nhiều chiều, cho phép tìm kiếm theo độ tương đồng, phân cụm và retrieval-augmented generation (RAG). Endpoint này tương thích với OpenAI Embeddings API.

Endpoint

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

Các mô hình embedding được hỗ trợ

Mô hình	Số chiều	Nhà cung cấp
`gemini-embedding-001`	3072	Google
`text-embedding-3-small`	1536	OpenAI
`text-embedding-3-large`	3072	OpenAI

Xem Danh mục mô hình để biết tình trạng sẵn có và giá cả hiện tại.

Yêu cầu

Headers

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

Tham số body

string

bắt buộc

ID mô hình embedding. Ví dụ: "gemini-embedding-001", "text-embedding-3-small".

string | array

bắt buộc

Văn bản cần nhúng. Có thể là một chuỗi đơn hoặc một mảng chuỗi để nhúng theo lô.

string

"float" (mặc định) trả về mảng float. "base64" trả về chuỗi được mã hóa base64.

integer

Số chiều cho embedding đầu ra. Không được hỗ trợ bởi tất cả các mô hình.

Ví dụ yêu cầu

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"
  }'

Phản hồi

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

Các trường phản hồi

array

Mảng các đối tượng embedding, một đối tượng cho mỗi chuỗi đầu vào.

Hiện đối tượng embedding

integer

Vị trí trong mảng đầu vào.

array

Mảng float của vector embedding.

integer

Số token đã được xử lý.

Ví dụ về độ tương đồng cosine

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

​Endpoint

​Các mô hình embedding được hỗ trợ

​Yêu cầu

​Headers

​Tham số body

​Ví dụ yêu cầu

​Phản hồi

​Các trường phản hồi

​Ví dụ về độ tương đồng cosine

Endpoint

Các mô hình embedding được hỗ trợ

Yêu cầu

Headers

Tham số body

Ví dụ yêu cầu

Phản hồi

Các trường phản hồi

Ví dụ về độ tương đồng cosine