嵌入向量（Embeddings）將文本轉換為數值向量，您可以將其存儲在向量資料庫中、使用餘弦相似度進行搜索，或在 RAG 流水線中使用。向量長度取決於模型（通常為 384–1024 維）。

推薦模型

• embeddinggemma
• qwen3-embedding
• all-minilm

生成嵌入向量

CLI

直接從命令列生成嵌入向量：

ollama run embeddinggemma "Hello world"

您也可以透過管道（pipe）傳送文本來生成嵌入向量：

echo "Hello world" | ollama run embeddinggemma

輸出為 JSON 陣列。

cURL

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

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

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

提示：/api/embed 端點返回 L2 正規化（單位長度）向量。

批量生成嵌入向量

將字串陣列傳遞給 input。

cURL

curl -X POST http://localhost:11434/api/embed \
  -H "Content-Type: application/json" \
  -d '{
    "model": "embeddinggemma",
    "input": [
      "First sentence",
      "Second sentence",
      "Third sentence"
    ]
  }'

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

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

提示

• 在大多數語義搜索場景中，請使用餘弦相似度（cosine similarity）。
• 請在索引和查詢時使用相同的嵌入模型。