Embeddings zetten tekst om in numerieke vectoren die je kunt opslaan in een vectordatabase, zoeken met cosinusgelijkenis of gebruiken in RAG-pijplijnen. De vectorgrootte hangt af van het model (meestal 384–1024 dimensies).
Aanbevolen modellen
Genereer embeddings
CLI
Genereer embeddings direct vanaf de commandoregel:
```shell
ollama run embeddinggemma "Hello world"
```
Je kunt ook tekst pijpen om embeddings te genereren:
```shell
echo "Hello world" | ollama run embeddinggemma
```
De uitvoer is een 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])) # vectorgrootte
```
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) // vectorgrootte
```
Opmerking
De /api/embed endpoint retourneert L2-genormaliseerde (eenheidslengte) vectoren.
Genereer een batch embeddings
Geef een array met strings door aan 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'])) # aantal vectoren
```
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) // aantal vectoren
```
Tips
- Gebruik cosinusgelijkenis voor de meeste gebruiksscenario's van semantisch zoeken.
- Gebruik hetzelfde embeddingmodel voor zowel indexeren als queryen.