NXAI 文档

Appearance

创建文本嵌入(Gemini) ​

POST  v1/embeddings

请求参数 ​

Authorization ​

在 Header 添加参数 Authorization，其值为在 Bearer 之后拼接 Token。

Authorization: Bearer ******************

Body 参数 ​

Content-Type: application/json

参数名类型必填说明
inputstring必需输入内容。这是需要被处理的核心文本数据。在 Embedding 接口中，这里填入需要向量化的句子或段落。
modelstring必需模型标识。指定使用哪个具体的模型版本来处理请求（例如 text-embedding-3-small 或 cl100k_base）。
encoding_formatstring必需编码/输出格式。指定返回数据的格式。常见的取值通常是 float（返回浮点数数组）或 base64（返回压缩后的字符串），用于平衡精度与传输体积。

请求示例 (JSON) ​

{
    "input": "Your text string goes here",
    "model": "gemini-embedding-001"
}

返回响应 ​

200 成功

Content-Type: application/json

响应参数 ​

参数路径类型必填说明
objectstring必需根对象类型。通常用于标识整个响应体的类型，例如 "list" 或 "response"。
dataarray[object]必需核心数据列表。包含具体的处理结果（如向量数据），因为一次请求可能包含多个输入，所以是数组。
└─ objectstring可选数据对象类型。标识该具体条目的类型，通常为 "embedding"。
└─ embeddingarray[integer]可选向量/编码数据。这是核心内容，即文本转换后的数字数组（向量）。注：此处为整数数组，可能是量化后的向量或 Token IDs。
└─ indexinteger可选索引。对应请求中 input 数组的下标，用于区分哪个向量对应哪段输入文本。
modelstring必需模型名称。实际用于处理任务的模型版本（例如 "text-embedding-3-small"）。
usageobject必需用量统计。包含 Token 消耗信息，用于计费或监控。
└─ prompt_tokensinteger必需提示词 Token 数。输入文本所消耗的 Token 数量。
└─ total_tokensinteger必需总 Token 数。本次调用消耗的总 Token 数量。

响应示例 ​

{
    "object": "list",
    "data": [
        {
            "object": "embedding",
            "index": 0,
            "embedding": [],
            }
    ],
    "model": "gemini-embedding-001",
    "usage": {
        "prompt_tokens": 0,
        "completion_tokens": 0,
        "total_tokens": 0,
        "prompt_tokens_details": {
            "cached_tokens": 0,
            "text_tokens": 0,
            "audio_tokens": 0,
            "image_tokens": 0
        },
        "completion_tokens_details": {
            "text_tokens": 0,
            "audio_tokens": 0,
        
    "reasoning_tokens": 0
        },
        "input_tokens": 0,
        "output_tokens": 0,
        "input_tokens_details": null
    }
}

示例代码 ​

python
import http.client
import json

conn = http.client.HTTPSConnection("nxaiapp.com")
payload = json.dumps({
   "input": "Your text string goes here",
   "model": "gemini-embedding-001"
})
headers = {
   'Authorization': 'Bearer <token>',
   'Content-Type': 'application/json'
}
conn.request("POST", "/v1/embeddings", payload, headers)
res = conn.getresponse()
data = res.read()
print(data.decode("utf-8"))