Los embeddings convierten el texto en vectores numéricos que puedes almacenar en una base de datos vectorial, buscar mediante similitud de coseno o utilizar en canalizaciones de RAG. La longitud del vector depende del modelo (normalmente entre 384 y 1024 dimensiones).
Modelos recomendados
Generar embeddings
CLI
Genera embeddings directamente desde la línea de comandos:
```shell
ollama run embeddinggemma "Hello world"
```
También puedes canalizar texto para generar embeddings:
```shell
echo "Hello world" | ollama run embeddinggemma
```
La salida es un array JSON.
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])) # longitud del vector
```
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) // longitud del vector
```
Nota
El endpoint /api/embed devuelve vectores normalizados L2 (de longitud unitaria).
Generar un lote de embeddings
Pasa un arreglo de cadenas de texto al parámetro 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'])) # número de vectores
```
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) // número de vectores
```
Consejos
- Utiliza la similitud de coseno para la mayoría de casos de uso de búsqueda semántica.
- Utiliza el mismo modelo de embeddings tanto para la indexación como para las consultas.