Gli incorporamenti convertono il testo in vettori numerici che puoi archiviare in un database vettoriale, cercare tramite similarità coseno o utilizzare nelle pipeline RAG. La lunghezza del vettore dipende dal modello (solitamente compresa tra 384 e 1024 dimensioni).
Modelli consigliati
Genera incorporamenti
CLI
Genera incorporamenti direttamente dalla riga di comando:
```shell
ollama run embeddinggemma "Hello world"
```
Puoi anche reindirizzare il testo per generare incorporamenti:
```shell
echo "Hello world" | ollama run embeddinggemma
```
L'output è 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])) # vector length
```
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) // vector length
```
Nota
L'endpoint /api/embed restituisce vettori normalizzati L2 (di lunghezza unitaria).
Genera un batch di incorporamenti
Passa un array di stringhe al parametro 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'])) # number of vectors
```
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) // number of vectors
```
Consigli
- Utilizza la similarità coseno per la maggior parte dei casi d'uso della ricerca semantica.
- Utilizza lo stesso modello di incorporamento sia per l'indicizzazione che per l'esecuzione di query.