1. 核心概念：什么是文本嵌入？

文本嵌入（Text Embedding）是一种将文本数据（如单词、句子或文档）转换为固定长度的数值向量（即一系列浮点数）的技术。这个过程的核心目标是捕捉文本的深层语义信息，使得语义相近的文本在向量空间中的距离也更近。

OpenAI 的文本嵌入模型基于先进的深度学习架构（如 Transformer），通过在海量多语言文本数据上进行预训练，学习到了丰富的语言表征能力。生成的嵌入向量是高维空间中的点，向量之间的距离（常用余弦相似度衡量）直接反映了文本之间的语义相关性：距离越小，相关性越高。

简单来说，嵌入模型充当了人类自然语言与机器可处理数字之间的“翻译官”，为语义理解、信息检索等任务奠定了基础。

2. 功能与应用场景

OpenAI 的文本嵌入模型为多种自然语言处理（NLP）任务提供了强大的基础能力，其主要应用包括：

3. 模型介绍与选型指南

OpenAI 提供了多个文本嵌入模型，最新的是 text-embedding-3 系列。以下是主要模型的对比：

选型建议：

• 追求最佳性能：选择 text-embedding-3-large。
• 平衡性能、速度与成本：选择 text-embedding-3-small，它是目前大多数场景的推荐选择。
• 利用降维特性：对于存储或计算资源受限的场景，可使用 text-embedding-3-large 或 -small 并指定较低的 dimensions 参数，以在成本、存储和性能间取得最佳权衡。

4. 接入方式详解

接入 OpenAI 文本嵌入模型主要通过调用其提供的 API 接口实现。以下是完整的接入步骤和代码示例。

4.1 准备工作

1. 获取 API 密钥：访问 https://platform.openai.com/ 注册账号并创建 API Key。
2. 安装 SDK：推荐使用官方 Python SDK。

   pip install openai
   

4.2 基础 API 调用

使用 Python SDK 是最高效的方式。

import os
from openai import OpenAI

# 1. 初始化客户端（建议通过环境变量管理API密钥）
client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

# 2. 准备输入文本
input_text = "需要转换为向量的文本内容。"

# 3. 调用嵌入API
response = client.embeddings.create(
    model="text-embedding-3-small",  # 指定模型
    input=input_text,                # 输入文本，可以是字符串或字符串列表
    encoding_format="float",         # 返回格式，默认为浮点数列表
    # dimensions=512,               # 可选：指定输出维度（仅text-embedding-3系列支持）
)

# 4. 提取并使用嵌入向量
embedding_vector = response.data[0].embedding
print(f"生成的向量维度：{len(embedding_vector)}")
print(f"向量前5个值：{embedding_vector[:5]}")

4.3 批量处理

API 支持一次性为多个文本生成嵌入，效率更高。

# 输入可以是字符串列表
texts = ["第一条文本", "第二条文本", "第三条文本"]
response = client.embeddings.create(
    model="text-embedding-3-small",
    input=texts  # 传入列表
)
# 响应中的 data 列表顺序与输入列表对应
all_embeddings = [item.embedding for item in response.data]

4.4 直接使用 HTTP 请求

您也可以使用任何能发送 HTTP 请求的工具直接调用 API。

curl https://api.openai.com/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "Your text string goes here"
  }'

5. 最佳实践与注意事项

1. 输入长度限制：所有模型的单条输入文本长度均不能超过 8191个token。对于过长的文本，需要进行截断或分段处理。
2. 相似度计算：获取嵌入向量后，通常使用余弦相似度来计算两个文本向量之间的语义相关性。

   import numpy as np
   def cosine_similarity(vec_a, vec_b):
       return np.dot(vec_a, vec_b) / (np.linalg.norm(vec_a) * np.linalg.norm(vec_b))
   

3. 错误处理：在生产环境中，务必添加网络超时、速率限制（Rate Limit）和认证失败等异常处理逻辑。
4. 成本管理：API 调用按输入 token 数计费。可在 https://openai.com/pricing 查询最新价格，并在控制台监控使用量。
5. 与向量数据库结合：在实际应用（如 RAG 系统）中，生成的嵌入向量通常被存入向量数据库（如 Milvus、Pinecone、Weaviate）以便进行高效的相似性检索。

通过以上步骤，您可以成功地将 OpenAI 强大的文本嵌入能力集成到您的应用程序中，为语义搜索、智能推荐、内容分类等高级功能提供核心支持。