Embeddings 接入 #

Embeddings 用于向量检索、RAG、相似度计算、聚类和推荐。聊天模型和 Embeddings 模型通常不是同一个模型，请在控制台选择明确支持 Embeddings 的模型 ID。

接口信息 #

curl 示例 #

export COREROUTER_API_KEY="sk-xxxxxxxxxxxxxxxx"

curl https://api.corerouter.tech/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COREROUTER_API_KEY" \
  -d '{
    "model": "embedding-model-id",
    "input": [
      "CoreRouter 是统一的 AI API 接入服务。",
      "Embeddings 可以用于搜索和 RAG。"
    ]
  }'

Python 示例 #

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.environ["COREROUTER_API_KEY"],
    base_url="https://api.corerouter.tech/v1",
)

result = client.embeddings.create(
    model="embedding-model-id",
    input=[
        "CoreRouter 是统一的 AI API 接入服务。",
        "Embeddings 可以用于搜索和 RAG。",
    ],
)

print(len(result.data[0].embedding))

Node.js 示例 #

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.COREROUTER_API_KEY,
  baseURL: "https://api.corerouter.tech/v1",
});

const result = await client.embeddings.create({
  model: "embedding-model-id",
  input: [
    "CoreRouter 是统一的 AI API 接入服务。",
    "Embeddings 可以用于搜索和 RAG。",
  ],
});

console.log(result.data[0].embedding.length);

RAG 使用建议 #

• 文档入库和查询时使用同一个 Embeddings 模型。
• 保存向量维度，避免后续换模型后维度不一致。
• 长文档先切分再向量化，切分大小按业务语义调整。
• 控制台里的模型状态、上下文和计费信息优先级高于示例中的模型 ID。

常见问题 #

• 返回维度不一致：检查是否混用了不同 Embeddings 模型。
• 查询效果差：检查切分策略、召回条数、重排逻辑和原文质量。
• 报 model not found：使用控制台中支持 Embeddings 的 Model ID。