Embeddings

Embeddings 用于将文本转换为向量，可用于语义搜索、推荐、聚类与去重。

把 Embeddings 想成“给文本贴坐标”。
原来靠关键词匹配像在通讯录里按名字找人；有了向量后，更像按“气质相近”找人，能抓到语义近似而不是字面重复。

#这页适合谁？

• 准备做 RAG / 语义检索的工程师
• 想做推荐系统或文本去重的算法同学
• 需要在成本和效果之间做平衡的技术负责人

#1. 基础调用（Python）

python复制
from openai import OpenAI

client = OpenAI()

response = client.embeddings.create(
    model="text-embedding-3-small",
    input="这是一段需要向量化的文本"
)

embedding = response.data[0].embedding
print(len(embedding))

#2. Node.js 示例

ts复制
import OpenAI from 'openai';

const client = new OpenAI();

const response = await client.embeddings.create({
  model: 'text-embedding-3-small',
  input: '这是一段需要向量化的文本'
});

const embedding = response.data[0].embedding;
console.log(embedding.length);

#3. 典型用法

#语义检索（最常见）

1. 把文档分块并生成向量。
2. 用户查询生成向量。
3. 计算相似度并返回最接近的文档块。

#简化流程示例

python复制
import numpy as np

def cosine_sim(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

#实战落地顺序（读者导向）

1. 先用 text-embedding-3-small 建立最小可用检索链路。
2. 再优化分块策略（chunk size / overlap）提升召回质量。
3. 最后才切换更大模型做 A/B，对比收益是否覆盖成本。

#4. 选型建议

• text-embedding-3-small：性价比高，适合大多数检索场景。
• text-embedding-3-large：精度更高，适合对检索质量要求高的场景。

#5. 常见注意事项

• 文本过长时先分块（chunking）。
• 对检索库进行向量归一化，便于相似度计算。
• 为向量库设置合适的维度与索引类型。

一句轻松总结：
向量化不是魔法棒，更像“给知识库装 GPS”。
路线规划（分块、索引、过滤）没做好，再好的地图也会带你绕远路。

#参考资料

• Embeddings API↗
• 向量检索指南↗