Gemini Embeddings API - 使用 Google 嵌入模型生成文本向量。构建语义搜索、RAG 和相似度匹配应用。

嵌入内容

为文本内容生成向量嵌入。嵌入是捕获语义含义的文本数值表示，适用于搜索、聚类和相似度比较。

端点

POST https://api.uniterouter.ai/v1beta/models/{model}:embedContent

认证

x-goog-api-key: your_uniterouter_api_key

路径参数

参数	类型	必需	描述
`model`	string	是	嵌入模型 ID（如 `text-embedding-004`）

请求体

参数	类型	必需	描述
`content`	object	是	要嵌入的内容
`taskType`	string	否	嵌入的任务类型
`title`	string	否	内容的可选标题
`outputDimensionality`	integer	否	期望的嵌入维度

任务类型

任务类型	描述
`RETRIEVAL_QUERY`	用于搜索查询
`RETRIEVAL_DOCUMENT`	用于待搜索的文档
`SEMANTIC_SIMILARITY`	用于比较文本相似度
`CLASSIFICATION`	用于文本分类
`CLUSTERING`	用于文本聚类

请求示例

curl -X POST "https://api.uniterouter.ai/v1beta/models/text-embedding-004:embedContent" \
  -H "Content-Type: application/json" \
  -H "x-goog-api-key: $UNITEROUTER_API_KEY" \
  -d '{
    "content": {
      "parts": [{"text": "什么是机器学习？"}]
    },
    "taskType": "RETRIEVAL_QUERY"
  }'

import google.generativeai as genai

genai.configure(
    api_key="your_uniterouter_api_key",
    transport="rest",
    client_options={"api_endpoint": "api.uniterouter.ai"}
)

result = genai.embed_content(
    model="models/text-embedding-004",
    content="什么是机器学习？",
    task_type="retrieval_query"
)

print(f"嵌入维度: {len(result['embedding'])}")
print(f"前5个值: {result['embedding'][:5]}")

import { GoogleGenerativeAI } from "@google/generative-ai";

const genAI = new GoogleGenerativeAI("your_uniterouter_api_key", {
  baseUrl: "https://api.uniterouter.ai"
});

const model = genAI.getGenerativeModel({ model: "text-embedding-004" });

const result = await model.embedContent({
  content: { parts: [{ text: "什么是机器学习？" }] },
  taskType: "RETRIEVAL_QUERY"
});

console.log(`嵌入维度: ${result.embedding.values.length}`);

响应

{
  "embedding": {
    "values": [0.0123, -0.0456, 0.0789, ...]
  }
}

values 数组包含嵌入向量（text-embedding-004 通常为 768 维）。

批量嵌入

对于多个文本，使用批量端点：

POST /v1beta/models/{model}:batchEmbedContents

texts = [
    "什么是机器学习？",
    "深度学习如何工作？",
    "解释神经网络"
]

results = genai.embed_content(
    model="models/text-embedding-004",
    content=texts,
    task_type="retrieval_document"
)

for i, embedding in enumerate(results['embedding']):
    print(f"文本 {i}: {len(embedding)} 维")

嵌入模型

模型	维度	描述
`text-embedding-004`	768	最新嵌入模型
`embedding-001`	768	上一代

使用场景

语义搜索

import numpy as np

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

# 嵌入查询
query_embedding = genai.embed_content(
    model="models/text-embedding-004",
    content="如何训练模型？",
    task_type="retrieval_query"
)['embedding']

# 嵌入文档
documents = ["训练 ML 模型...", "数据预处理...", "模型评估..."]
doc_embeddings = genai.embed_content(
    model="models/text-embedding-004",
    content=documents,
    task_type="retrieval_document"
)['embedding']

# 找到最相似的
similarities = [cosine_similarity(query_embedding, doc) for doc in doc_embeddings]
best_match = documents[np.argmax(similarities)]

嵌入内容

嵌入内容

端点

认证

路径参数

请求体

任务类型

请求示例

响应

批量嵌入

嵌入模型

使用场景

语义搜索

相关文档

On this page