Embedder
Модуль для получения текстовых эмбеддингов — числовых представлений текста. Используется для поиска по смыслу, кластеризации, рекомендаций, similarity-поиска и построения RAG-систем. Поддерживает работу через OpenAI-совместимый API и интегрируется с vector-базами данных.
Шаг 1. Откройте Embedder и нажмите «Получить API-ключ»
Шаг 2. Создание API-ключа
Что выдаёт Alem Plus:
- API Key
Чтобы его использовать, сделайте запрос: POST https://llm.alem.ai/v1/embeddings Headers: Authorization: Bearer API Key
Быстрый старт
import requests
EMBED_API_KEY = "Ваш API_KEY"
EMBED_ENDPOINT = "https://llm.alem.ai/v1/embeddings"
EMBED_MODEL = "text-1024"
TEXT = "Hello, world!"
payload = {
"model": EMBED_MODEL,
"input": TEXT,
}
try:
r = requests.post(
EMBED_ENDPOINT,
headers={
"Authorization": f"Bearer {EMBED_API_KEY}",
"Content-Type": "application/json",
},
json=payload,
timeout=60,
)
r.raise_for_status()
data = r.json()
embedding = data["data"][0]["embedding"]
print(f"dimension = {len(embedding)}")
except (requests.RequestException, KeyError, IndexError) as e:
print(f"Embed request failed: {e}\nBody: {r.text if 'r' in locals() else ''}")
const ENDPOINT = "https://llm.alem.ai/v1/embeddings";
const API_KEY = "Ваш API_KEY";
const MODEL = "text-1024";
const INPUT = "Hello, world!";
const res = await fetch(ENDPOINT, {
method: "POST",
headers: {
Authorization: `Bearer ${API_KEY}`,
"Content-Type": "application/json",
},
body: JSON.stringify({
model: MODEL,
input: INPUT,
}),
});
if (!res.ok) {
throw new Error(`Embeddings failed: ${res.status} ${await res.text()}`);
}
const data = await res.json();
const emb = data?.data?.[0]?.embedding;
console.log(Array.isArray(emb) ? emb.length : null);
Рассмотрим как получить эмбеддинги с помощью POSTMAN.
Укажите метод POST и свой API-KEY
Укажите KEY и VALUE
Укажите model и input
Нажмите Send