向量嵌入

POST /v1/embeddings

將文字轉換成向量，用於語意搜尋、RAG、分群與推薦。

请求REQUEST

POSThttps://test.kailin.com.cn/v1/embeddings

API Key仅存本地浏览器，不会上传

请求体 JSON{ "model": "text-embedding-3-small", "input": "AI Station is a unified model gateway" }

响应RESPONSE

填写参数并发送请求，响应会显示在这里

請求

curl https://test.kailin.com.cn/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-your-token" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "AI Station is a unified model gateway"
  }'

請求主體參數

參數	類型	必填	說明
model	string	是	嵌入模型，如 text-embedding-3-small、text-embedding-3-large、text-embedding-ada-002
input	string / array	是	單一字串或字串陣列（批次），單次上限依模型而定
dimensions	integer	否	輸出向量維度（text-embedding-3 系列支援縮減維度）
encoding_format	string	否	float（預設）或 base64
user	string	否	終端使用者識別碼

回應

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023, -0.0091, 0.0154, "..."]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 12,
    "total_tokens": 12
  }
}

欄位	說明
data[].embedding	向量陣列，預設 1536 維（text-embedding-3-small）/ 3072 維（-large）
data[].index	對應輸入字串的索引
usage.prompt_tokens	計費 token 數

批次請求

{
  "model": "text-embedding-3-small",
  "input": ["first document", "second document", "third document"]
}

回傳的 data 會帶有對應輸入順序的 index。一次批次呼叫比逐筆請求更快，也更省請求次數。

使用 SDK

from openai import OpenAI

client = OpenAI(
    api_key="sk-your-token",
    base_url="https://test.kailin.com.cn/v1",
)

resp = client.embeddings.create(
    model="text-embedding-3-small",
    input=["Document A", "Document B"],
)
vectors = [item.embedding for item in resp.data]

備註

Gemini 原生格式的嵌入 API（/v1beta/models/{model}:embedContent 等）也已代理支援，參數遵循 Gemini 官方格式，詳見 Google 官方文件。