Einbettungen wandeln Text in numerische Vektoren um, die Sie in einer Vektordatenbank speichern, mit Kosinus-Ähnlichkeit durchsuchen oder in RAG-Pipelines verwenden können. Die Vektorlänge hängt vom Modell ab (typischerweise 384–1024 Dimensionen).
Empfohlene Modelle
Einbettungen generieren
CLI
Generieren Sie Einbettungen direkt über die Kommandozeile:
```shell
ollama run embeddinggemma "Hello world"
```
Sie können Text auch per Pipe an die Eingabe übergeben, um Einbettungen zu generieren:
```shell
echo "Hello world" | ollama run embeddinggemma
```
Die Ausgabe ist ein JSON-Array.
cURL
```shell
curl -X POST http://localhost:11434/api/embed \
-H "Content-Type: application/json" \
-d '{
"model": "embeddinggemma",
"input": "The quick brown fox jumps over the lazy dog."
}'
```
Python
```python
import ollama
single = ollama.embed(
model='embeddinggemma',
input='The quick brown fox jumps over the lazy dog.'
)
print(len(single['embeddings'][0])) # Vektorlänge
```
JavaScript
```javascript
import ollama from 'ollama'
const single = await ollama.embed({
model: 'embeddinggemma',
input: 'The quick brown fox jumps over the lazy dog.',
})
console.log(single.embeddings[0].length) // Vektorlänge
```
Hinweis
Der /api/embed-Endpunkt gibt L2-normalisierte (Einheitslängen-)Vektoren zurück.
Einbettungen als Batch generieren
Übergeben Sie ein Array von Zeichenketten an input.
cURL
```shell
curl -X POST http://localhost:11434/api/embed \
-H "Content-Type: application/json" \
-d '{
"model": "embeddinggemma",
"input": [
"First sentence",
"Second sentence",
"Third sentence"
]
}'
```
Python
```python
import ollama
batch = ollama.embed(
model='embeddinggemma',
input=[
'The quick brown fox jumps over the lazy dog.',
'The five boxing wizards jump quickly.',
'Jackdaws love my big sphinx of quartz.',
]
)
print(len(batch['embeddings'])) # Anzahl der Vektoren
```
JavaScript
```javascript
import ollama from 'ollama'
const batch = await ollama.embed({
model: 'embeddinggemma',
input: [
'The quick brown fox jumps over the lazy dog.',
'The five boxing wizards jump quickly.',
'Jackdaws love my big sphinx of quartz.',
],
})
console.log(batch.embeddings.length) // Anzahl der Vektoren
```
Tipps
- Verwenden Sie Kosinus-Ähnlichkeit für die meisten Anwendungsfälle der semantischen Suche.
- Verwenden Sie dasselbe Einbettungsmodell sowohl für die Indizierung als auch für die Abfrage.