임베딩은 텍스트를 수치 벡터로 변환하여 벡터 데이터베이스에 저장하거나, 코사인 유사도로 검색하거나, RAG 파이프라인에서 사용할 수 있습니다. 벡터 길이는 모델에 따라 다르며(일반적으로 384~1024 차원)입니다.
권장 모델
임베딩 생성
CLI
명령줄에서 직접 임베딩을 생성할 수 있습니다:
```shell
ollama run embeddinggemma "Hello world"
```
텍스트를 파이프하여 임베딩을 생성할 수도 있습니다:
```shell
echo "Hello world" | ollama run embeddinggemma
```
출력은 JSON 배열입니다.
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
```
Note
/api/embed 엔드포인트는 L2 정규화(단위 길이) 벡터를 반환합니다.
배치 임베딩 생성
input에 문자열 배열을 전달하세요.
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
```
팁
- 대부분의 시맨틱 검색 사용 사례에서 코사인 유사도를 사용하세요.
- 인덱싱과 쿼리 모두에 동일한 임베딩 모델을 사용하세요.