Embeddings

Genera embedding vettoriali con Venice per ricerca semantica, recupero RAG, clustering e raccomandazioni usando l’endpoint /embeddings.

Gli embedding convertono il testo in vettori che catturano il significato semantico. Usali per ricerca, generazione aumentata da recupero (RAG), clustering, raccomandazioni, deduplicazione e calcolo della similarità.

L’endpoint embeddings di Venice è compatibile con OpenAI. Invia una singola stringa o un array di stringhe a /embeddings, quindi memorizza i vettori restituiti nel tuo database o indice vettoriale.

​

Utilizzo di Base

Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["VENICE_API_KEY"],
    base_url="https://api.venice.ai/api/v1",
)

response = client.embeddings.create(
    model="text-embedding-bge-m3",
    input="Privacy-first AI infrastructure for semantic search",
)

vector = response.data[0].embedding
print(len(vector), vector[:5])

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.VENICE_API_KEY,
  baseURL: "https://api.venice.ai/api/v1",
});

const response = await client.embeddings.create({
  model: "text-embedding-bge-m3",
  input: "Privacy-first AI infrastructure for semantic search",
});

const vector = response.data[0].embedding;
console.log(vector.length, vector.slice(0, 5));

curl https://api.venice.ai/api/v1/embeddings \
  -H "Authorization: Bearer $VENICE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-bge-m3",
    "input": "Privacy-first AI infrastructure for semantic search",
    "encoding_format": "float"
  }'

​

Input in Batch

Passa un array di stringhe per generare embedding di più testi in una singola richiesta:

{
  "model": "text-embedding-bge-m3",
  "input": [
    "Venice supports private chat completions.",
    "Embeddings help retrieve relevant documents.",
    "Vector search powers RAG applications."
  ]
}

La risposta preserva l’ordine dell’input. Memorizza ogni vettore insieme all’ID del testo di origine, ai metadati e all’ID del modello di embedding.

​

Flusso di Lavoro Tipico

1. Suddividi i documenti di origine in chunk.
2. Genera gli embedding per ogni chunk.
3. Memorizza vettori e metadati in un database vettoriale.
4. Genera l’embedding della query dell’utente.
5. Recupera i chunk più vicini.
6. Invia il contesto recuperato a un modello di chat.

Per un’implementazione completa, consulta Creare un Bot RAG Privato.

​

Scelta del Modello

Usa la pagina Modelli di Embedding per confrontare i modelli di embedding disponibili, le dimensioni e i prezzi.

Usa lo stesso modello di embedding per l’indicizzazione e per le query. Mescolare modelli diversi può rendere i punteggi di similarità inaffidabili perché gli spazi vettoriali non sono interscambiabili.

​

Risorse Correlate

• API Embeddings
• Modelli di Embedding
• Guida al Bot RAG Privato