1. API请求
智信AI-使用指南
  • 使用指南
    • 平台介绍
    • 使用指南
      • 快速开始
      • 注册账号
      • 账户充值
      • 新建API令牌
      • 获取BaseUrl
      • 系统令牌及用户ID
      • 余额查询接口
      • 计费规则
      • 平台管理类接口
        • 模型列表查询
        • 检索API令牌
        • 模型用量查询
        • 获取API令牌
    • 开发者文档
      • 基础核心概念
      • API请求
        • 平台通用格式
        • 文本对话(非流)
        • 文本对话(流式)
        • 输出JSON格式
        • 向量嵌入
        • 函数调用
        • 图片分析
        • Responses API
    • 接入指南
      • 编程工具
        • Cursor 配置指南
        • VSCode (Continue) 配置指南
        • Claude Code 配置指南
      • 应用集成
        • NextChat 配置指南
        • Open Claw 配置指南
        • Chatbox 配置指南
        • Dify 配置指南
  1. API请求

向量嵌入

使用OpenAI格式请求Embedding#


什么是Embedding(向量嵌入):#

Embedding 本质:把「文字 / 图片 / 语音」转换成一串固定长度的数字向量。
可以理解为:
给每一段话、每一个词语,分配一个语义指纹,用一串数字代表它的含义。

接口地址#

https://ai.hcrzx.com/v1/chat/completions

Python 示例#

from openai import OpenAI

# 配置(支持所有 OpenAI 格式的平台)
client = OpenAI(
    api_key="sk-***************************************",  # 你的密钥
    base_url="https://ai.hcrzx.com/v1/"  # 中转平台地址
)

def get_embedding(text: str) -> list[float]:
    """
    获取文本的向量(Embedding)
    返回:浮点数数组(向量)
    """
    # 调用 embedding 接口
    response = client.embeddings.create(
        model="jina-embeddings-v4",  # 通用向量模型
        input=text,
        encoding_format="float"
    )
    # 返回向量
    return response.data[0].embedding

# ==================== 测试 ====================
if __name__ == "__main__":
    content = "我想获取这句话的向量"
    vector = get_embedding(content)
    
    print("向量长度:", len(vector))
    print("向量前10个值:", vector[:10])

返回示例#

向量长度: 2048  
向量前10个值: [0.00878906, -0.0390625, -0.00144958, -0.00436401, 0.00126648, -0.01403809, 0.00448608, 0.00256348, -0.01696777, 0.06103516]
修改于 2026-05-12 07:47:14
上一页
输出JSON格式
下一页
函数调用
Built with