Osadzenia przekształcają tekst w numeryczne wektory, które można przechowywać w bazie wektorowej, wyszukiwać za pomocą podobieństwa cosinusowego lub wykorzystywać w potokach RAG. Długość wektora zależy od modelu (zazwyczaj od 384 do 1024 wymiarów).
Polecane modele
Generowanie osadzeń
CLI
Generuj osadzenia bezpośrednio z wiersza poleceń:
```shell
ollama run embeddinggemma "Hello world"
```
Możesz również przekazywać tekst za pomocą potoku, aby generować osadzenia:
```shell
echo "Hello world" | ollama run embeddinggemma
```
Wyjście jest tablicą 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
```
Uwaga
Endpoint /api/embed zwraca wektory znormalizowane L2 (o długości jednostkowej).
Generowanie partii osadzeń
Przekaż tablicę ciągów znaków do 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
```
Wskazówki
- W większości przypadków wyszukiwania semantycznego wykorzystuj podobieństwo cosinusowe.
- Używaj tego samego modelu osadzeń zarówno do indeksowania, jak i do wyszukiwania zapytań.