Embeddings

Metni, anlamını temsil eden bir sayı dizisine (vektör) çevirir. Bu vektörler anlamsal arama, öneri ve RAG sistemlerinin temelidir.

POST/v1/embeddings

İstek parametreleri

Alan	Tip	Zorunlu	Açıklama
model	string	✓	Embedding modeli (örn. veriEmbedding)
input	string | dizi	✓	Vektöre çevrilecek metin veya metin listesi
encoding_format	string		float (varsayılan) veya base64
dimensions	integer		İstenen vektör boyutu (model destekliyorsa)

Örnek

curl

curl https://app.qevron.ai/v1/embeddings \
  -H "Authorization: Bearer $QEVRON_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "veriEmbedding",
    "input": "Qevron bir AI gateway'\''idir."
  }'

Python

resp = client.embeddings.create(
    model="veriEmbedding",
    input="Qevron bir AI gateway'idir.",
)
vector = resp.data[0].embedding
print(len(vector), "boyutlu vektör")

JavaScript

const resp = await client.embeddings.create({
  model: "veriEmbedding",
  input: "Qevron bir AI gateway'idir.",
});
console.log(resp.data[0].embedding.length, "boyutlu vektör");

Birden çok metni tek istekte göndermek için input'a dizi verin:

{ "model": "veriEmbedding", "input": ["birinci metin", "ikinci metin"] }

Yanıt

{
  "object": "list",
  "model": "veriEmbedding",
  "data": [
    { "object": "embedding", "index": 0, "embedding": [0.0123, -0.0456, 0.0789, "..."] }
  ],
  "usage": { "prompt_tokens": 9, "total_tokens": 9 }
}

Alan	Açıklama
data[].embedding	Float vektör
data[].index	Girdideki sıra
usage	Token kullanımı

TIP

Embedding + arama + yeniden sıralama ile uçtan uca RAG kurmak için RAG rehberine bakın.