GetRouterDocs
  • Français

    • Embeddings

    Convertissez du texte en vecteurs numériques avec l’endpoint Embeddings compatible OpenAI.

    POST https://getrouter.ai/v1/embeddings

    Requête de base

    curl https://getrouter.ai/v1/embeddings \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MODEL_ID",
    "input": "A unified API for multiple AI models"
  }'

    La réponse contient les vecteurs dans le tableau data et, lorsqu’elles sont disponibles, les informations d’utilisation dans usage.

    Python

    from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://getrouter.ai/v1",
)

response = client.embeddings.create(
    model="MODEL_ID",
    input=[
        "A unified API for multiple AI models",
        "Vector search retrieves semantically similar text",
    ],
)

for item in response.data:
    print(item.index, len(item.embedding))

    Node.js / TypeScript

    import OpenAI from 'openai'

const client = new OpenAI({
  apiKey: 'YOUR_API_KEY',
  baseURL: 'https://getrouter.ai/v1',
})

const response = await client.embeddings.create({
  model: 'MODEL_ID',
  input: [
    'A unified API for multiple AI models',
    'Vector search retrieves semantically similar text',
  ],
})

console.log(response.data.map((item) => item.embedding.length))

    Champs de la requête

    ChampDescription
    modelID obligatoire du modèle d’embedding
    inputTexte, tableau de textes ou entrée de tokens prise en charge, obligatoire
    encoding_formatfloat ou base64
    dimensionsDimensions de sortie demandées pour les modèles compatibles

    Entrées par lots

    Regroupez les textes associés dans une seule requête lorsque le modèle sélectionné et vos limites d’entrée le permettent. Conservez l’index de chaque élément de la réponse afin de pouvoir associer les vecteurs aux entrées d’origine.

    Compatibilité des vecteurs

    Ne mélangez pas, dans un même index vectoriel, des embeddings issus d’ID de modèles ou de paramètres de dimension différents. Régénérez les embeddings des données existantes si vous modifiez l’un de ces éléments.

    Tip

    Pour les systèmes de récupération, utilisez le même modèle et la même stratégie de prétraitement pour les documents et les requêtes des utilisateurs.

    Chemin alternatif

    La spécification de l’API expose également un endpoint d’embedding dont le modèle figure dans le chemin :

    POST /v1/engines/{model}/embeddings

    Préférez /v1/embeddings pour les nouvelles intégrations compatibles OpenAI, sauf si votre client existant nécessite le chemin de type moteur.

    Étapes suivantes