Embeddings API


POST https://api.fenno.ai/v1/embeddings
Authorization: Bearer <FENNO_API_KEY>
Content-Type: application/json

请求字段

字段	类型	含义
`model`	string，必填	可用向量模型，不是聊天模型
`input`	string 或 array，必填	文本或模型支持的批量输入
`dimensions`	integer，可选	仅适用于支持维度调整的模型
`encoding_format`	string，可选	受支持的格式，例如 `float`，不保证所有模型支持其他格式

单条长度、总 token 与批量上限依模型而定。应用应主动切分超长内容，不要静默截断检索所需文本。

Python 示例

安装 openai，设置 FENNO_API_KEY 和 FENNO_EMBEDDING_MODEL：


import os
from openai import OpenAI
 
client = OpenAI(
    base_url="https://api.fenno.ai/v1",
    api_key=os.environ["FENNO_API_KEY"],
    timeout=60.0,
    max_retries=0,
)
 
response = client.embeddings.create(
    model=os.environ["FENNO_EMBEDDING_MODEL"],
    input=["Database backup guide", "Database restore guide"],
)
for item in response.data:
    print(item.index, len(item.embedding))

返回结果

data[] 中每项包含 index、object 与 embedding；model 标识模型，服务提供时的 usage 记录 token 用量。通过 index 将向量对应回输入记录。

float 编码下，embedding 是数值数组。选择其他编码时，应先按其格式解码，不能直接当作向量数组写入索引。

不同模型或维度的向量不能混用。把向量配置与索引一起存储，并在查询时保持一致。完整流程见语义检索指南。