Embeddings
텍스트를 벡터로 변환하여 의미 검색, RAG 및 유사 콘텐츠 추천에 활용합니다.
개요
임베딩(Embeddings)은 텍스트를 벡터로 변환하여 애플리케이션이 의미적 유사도에 따라 콘텐츠를 검색하도록 합니다. 의미 검색, 검색 증강 생성(RAG) 및 유사 콘텐츠 추천에 자주 사용합니다.
Embeddings는 많은 콘텐츠에서 후보를 검색하고, Rerank는 쿼리와 후보 문서를 받아 순서를 더 정교하게 조정합니다. 각각 독립적으로 사용하거나 두 단계의 검색 흐름으로 구성할 수 있습니다.
API 연동
Base URL
https://api.agtcloud.cn/v1벡터 생성
curl 'https://api.agtcloud.cn/v1/embeddings' \
-H 'Authorization: Bearer your-api-key' \
-H 'Content-Type: application/json' \
--data '{
"model": "MODEL_ID",
"input": [
"AGTCloud는 통합 모델 호출 엔드포인트를 제공합니다.",
"Embeddings는 의미 검색에 사용할 수 있습니다."
]
}'| 매개변수 | 필수 | 설명 |
|---|---|---|
model | 예 | Embedding 모델 ID |
input | 예 | 단일 텍스트, 텍스트 배열 또는 Token 배열 |
encoding_format | 아니요 | 반환 벡터의 인코딩 형식 |
dimensions | 아니요 | 원하는 출력 벡터 차원 수로, 일부 모델만 지원합니다 |
결과 읽기
data[].embedding: 생성된 벡터입니다.data[].index: 현재 벡터에 해당하는 입력 인덱스입니다.usage: 이번 요청의 Token 사용량입니다.
인덱스 구축과 쿼리 설정의 일관성 유지
| 설정 | 불일치 시 발생할 수 있는 결과 |
|---|---|
| 모델 및 버전 | 기존 벡터와 새 벡터의 공간이 달라 신뢰할 수 있는 비교가 어렵습니다 |
| 벡터 차원 수 | 벡터 데이터베이스 저장이나 유사도 계산이 실패합니다 |
| 텍스트 전처리 | 쿼리와 문서의 의미 표현에 차이가 생깁니다 |
| 거리 척도 | 점수의 의미와 순위가 달라집니다 |