Embeddings mengubah teks menjadi vektor numerik yang dapat Anda simpan di database vektor, cari menggunakan kesamaan kosinus, atau gunakan dalam pipeline RAG. Panjang vektor tergantung pada model (biasanya 384–1024 dimensi).
Model yang direkomendasikan
Hasilkan embedding
CLI
Hasilkan embedding langsung dari baris perintah:
```shell
ollama run embeddinggemma "Hello world"
```
Anda juga dapat menyalurkan teks melalui pipe untuk menghasilkan embedding:
```shell
echo "Hello world" | ollama run embeddinggemma
```
Keluaran yang dihasilkan adalah 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])) # panjang vektor
```
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) // panjang vektor
```
Catatan
Endpoint /api/embed mengembalikan vektor yang dinormalisasi L2 (ber panjang satuan).
Hasilkan batch embedding
Kirim array string ke 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'])) # jumlah vektor
```
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) // jumlah vektor
```
Tips
- Gunakan kesamaan kosinus untuk sebagian besar kasus penggunaan pencarian semantik.
- Gunakan model embedding yang sama untuk pengindeksan dan kueri.