OpenAI Embedding API 教程

OpenAI Embedding API 将文本转换为高维向量，是实现语义搜索、推荐系统和 RAG 检索增强生成的基础。本文介绍 Embedding 的原理、API 调用方法和实战应用。

什么是 Embedding？

Embedding（嵌入向量）将文本映射为固定维度的浮点数数组。语义相似的文本在向量空间中距离更近，可以用于：

• 语义搜索：用自然语言查找相关文档
• 文本分类：基于向量相似度进行分类
• 推荐系统：找到相似内容推荐给用户
• RAG：检索增强生成，给 AI 提供知识库上下文
• 聚类分析：将大量文本自动分组

可用模型

• text-embedding-3-small：1536 维，性价比最高，$0.02/MTok
• text-embedding-3-large：3072 维，精度更高，$0.13/MTok
• text-embedding-ada-002：1536 维，旧版模型，$0.10/MTok

基本调用

Python

from openai import OpenAI

client = OpenAI(
    api_key="your-api-key",
    base_url="https://claude4u.com/v1"
)

# 单文本嵌入
response = client.embeddings.create(
    model="text-embedding-3-small",
    input="人工智能正在改变我们的生活方式"
)

embedding = response.data[0].embedding
print(f"向量维度: {len(embedding)}")
print(f"前5个值: {embedding[:5]}")

# 批量嵌入
texts = [
    "机器学习是人工智能的一个分支",
    "深度学习使用神经网络处理数据",
    "今天的天气很好，适合出门散步"
]

response = client.embeddings.create(
    model="text-embedding-3-small",
    input=texts
)

for i, data in enumerate(response.data):
    print(f"文本 {i}: 向量维度 {len(data.embedding)}")

Node.js

import OpenAI from 'openai';

const client = new OpenAI({
  apiKey: 'your-api-key',
  baseURL: 'https://claude4u.com/v1'
});

const response = await client.embeddings.create({
  model: 'text-embedding-3-small',
  input: ['第一段文本', '第二段文本']
});

console.log(`共 ${response.data.length} 个向量`);
console.log(`维度: ${response.data[0].embedding.length}`);

计算文本相似度

import numpy as np
from openai import OpenAI

client = OpenAI(
    api_key="your-api-key",
    base_url="https://claude4u.com/v1"
)

def get_embedding(text):
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )
    return response.data[0].embedding

def cosine_similarity(a, b):
    a, b = np.array(a), np.array(b)
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

# 计算相似度
texts = {
    "query": "如何学习编程",
    "doc1": "Python 是入门编程的最佳语言",
    "doc2": "今天的股市行情如何",
    "doc3": "编程入门教程推荐"
}

query_emb = get_embedding(texts["query"])
for key in ["doc1", "doc2", "doc3"]:
    doc_emb = get_embedding(texts[key])
    sim = cosine_similarity(query_emb, doc_emb)
    print(f"{key}: {texts[key]} => 相似度: {sim:.4f}")

构建 RAG 检索系统

class SimpleRAG:
    def __init__(self, client):
        self.client = client
        self.documents = []
        self.embeddings = []

    def add_documents(self, docs):
        """添加文档到知识库"""
        response = self.client.embeddings.create(
            model="text-embedding-3-small",
            input=docs
        )
        self.documents.extend(docs)
        self.embeddings.extend([d.embedding for d in response.data])

    def search(self, query, top_k=3):
        """搜索最相关的文档"""
        query_emb = self.client.embeddings.create(
            model="text-embedding-3-small",
            input=query
        ).data[0].embedding

        similarities = [
            cosine_similarity(query_emb, doc_emb)
            for doc_emb in self.embeddings
        ]

        top_indices = np.argsort(similarities)[-top_k:][::-1]
        return [(self.documents[i], similarities[i]) for i in top_indices]

    def ask(self, question):
        """RAG 问答"""
        results = self.search(question)
        context = "\n".join([doc for doc, _ in results])

        response = self.client.chat.completions.create(
            model="gpt-4o",
            messages=[
                {"role": "system", "content": f"根据以下知识库内容回答问题：\n\n{context}"},
                {"role": "user", "content": question}
            ]
        )
        return response.choices[0].message.content

# 使用示例
rag = SimpleRAG(client)
rag.add_documents([
    "轻舟 AI 支持 OpenAI、Claude、Gemini 等多个模型的 API 中转",
    "API Key 以 cr_ 为前缀，在管理后台创建",
    "支持流式输出和 Function Calling"
])
answer = rag.ask("如何获取 API Key？")
print(answer)

优化建议

• 批量处理：一次请求最多传入 2048 个文本，减少网络开销
• 缓存向量：将生成的向量存入数据库，避免重复计算
• 降低维度：text-embedding-3 支持自定义维度，降维可节省存储空间
• 文本预处理：去除无意义的空白和特殊字符，提升向量质量