嵌入

文本向量化接口，常用于 RAG 检索增强、语义搜索、文本聚类等场景。

创建嵌入 POST

POST https://api.nassaapi.xyz/embeddings

请求参数

参数	类型	必填	说明
model	string	✅	text-embedding-3-small / text-embedding-3-large / text-embedding-ada-002
input	string | array	✅	要向量化的文本（支持批量）
encoding_format	string	❌	float（默认） / base64
dimensions	int	❌	输出向量维度（仅 v3 模型支持）

示例请求

cURL

curl -X POST "https://api.nassaapi.xyz/embeddings" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-xxxx" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "VitePress 是一个基于 Vite 和 Vue 的静态站点生成器。"
  }'

Python

from openai import OpenAI

client = OpenAI(
    api_key="sk-xxxx",
    base_url="https://api.nassaapi.xyz"
)

response = client.embeddings.create(
    model="text-embedding-3-small",
    input="VitePress 是一个基于 Vite 和 Vue 的静态站点生成器。"
)
print(response.data[0].embedding[:5])

响应

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023, -0.0091, 0.0183, "..."]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": { "prompt_tokens": 18, "total_tokens": 18 }
}

返回结果中 data[0].embedding 即为向量数组（small 为 1536 维、large 为 3072 维）。