الانتقال إلى المحتوى الرئيسي
POST
/
v1
/
embeddings
curl -X POST "https://api.lemondata.cc/v1/embeddings" \
  -H "Authorization: Bearer sk-your-api-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "The quick brown fox jumps over the lazy dog"
  }'

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023, -0.0194, 0.0081, ...]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 9,
    "total_tokens": 9
  }
}

​
Request Body

​
model
string
مطلوب
معرف (ID) نموذج الـ embedding المراد استخدامه (على سبيل المثال، text-embedding-3-small).
​
input
string | array
مطلوب
النص المدخل لعمل embedding. يمكن أن يكون سلسلة نصية (string) أو مصفوفة من السلاسل النصية.
​
encoding_format
string
افتراضي:"float"
تنسيق الـ embeddings: float أو base64.
​
dimensions
integer
عدد الأبعاد للمخرجات (خاص بالنموذج).
​
user
string
معرف فريد يمثل المستخدم النهائي الخاص بك لمراقبة سوء الاستخدام.

​
النماذج المتاحة (Available Models)

Modelالأبعاد (Dimensions)الوصف
text-embedding-3-large3072أفضل جودة
text-embedding-3-small1536متوازن
text-embedding-ada-0021536قديم (Legacy)

​
الاستجابة (Response)

​
object
string
دائماً list.
​
data
array
مصفوفة من كائنات (objects) الـ embedding.يحتوي كل كائن على:
  • object (string): embedding
  • index (integer): الفهرس (Index) في مصفوفة المدخلات
  • embedding (array): متجه الـ embedding
​
model
string
النموذج المستخدم.
​
usage
object
استخدام الـ token مع prompt_tokens و total_tokens.
curl -X POST "https://api.lemondata.cc/v1/embeddings" \
  -H "Authorization: Bearer sk-your-api-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "The quick brown fox jumps over the lazy dog"
  }'

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023, -0.0194, 0.0081, ...]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 9,
    "total_tokens": 9
  }
}

​
الـ Embeddings المجمعة (Batch Embeddings)

# Embed multiple texts at once
response = client.embeddings.create(
    model="text-embedding-3-small",
    input=[
        "First document text",
        "Second document text",
        "Third document text"
    ]
)

for i, data in enumerate(response.data):
    print(f"Document {i}: {len(data.embedding)} dimensions")