向量嵌入

POST /v1/embeddings

将文本转换为向量，用于语义检索、RAG、聚类与推荐。

请求REQUEST

POSThttps://sd.kailin.com.cn/v1/embeddings

API Key仅存本地浏览器，不会上传

请求体 JSON{ "model": "text-embedding-3-small", "input": "SD Station is a unified model gateway" }

响应RESPONSE

填写参数并发送请求，响应会显示在这里

请求

curl https://sd.kailin.com.cn/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-你的令牌" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "SD Station 是一个模型统一网关"
  }'

请求体参数

参数	类型	必填	说明
model	string	是	嵌入模型，如 text-embedding-3-small、text-embedding-3-large、text-embedding-ada-002
input	string / array	是	文本或文本数组（批量），数组单次上限取决于模型
dimensions	integer	否	输出向量维度（text-embedding-3 系列支持降维）
encoding_format	string	否	float（默认）或 base64
user	string	否	终端用户标识

响应

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023, -0.0091, 0.0154, "..."]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 12,
    "total_tokens": 12
  }
}

字段	说明
data[].embedding	向量数组，维度默认 1536（text-embedding-3-small）/ 3072（-large）
data[].index	对应输入数组的下标
usage.prompt_tokens	计费 token 数

批量请求

{
  "model": "text-embedding-3-small",
  "input": ["第一段文本", "第二段文本", "第三段文本"]
}

返回的 data 按输入顺序带 index，一次性批量比逐条请求更快、更省请求次数。

使用 SDK

from openai import OpenAI

client = OpenAI(
    api_key="sk-你的令牌",
    base_url="https://sd.kailin.com.cn/v1",
)

resp = client.embeddings.create(
    model="text-embedding-3-small",
    input=["文档 A", "文档 B"],
)
vectors = [item.embedding for item in resp.data]

备注

Gemini 原生格式的嵌入接口（/v1beta/models/{model}:embedContent 等）也已透传支持，参数遵循 Gemini 官方格式，详见 Google 官方文档。