用途：本技能提供 Google Gemini 嵌入 API 的完整使用指南，围绕 gemini-embedding-001 模型生成文本向量，用于构建 RAG（检索增强生成）系统、语义搜索和文档聚类等场景。
主要能力：模型为稳定版，支持 Matryoshka 表示学习，可输出 768、1536、3072 维或 128-3071 区间内任意维度，默认 3072 维；单条文本输入上限 2048 tokens，仅支持文本。提供 8 种任务类型（如 RETRIEVAL_QUERY、RETRIEVAL_DOCUMENT、SEMANTIC_SIMILARITY、CLASSIFICATION、CLUSTERING、CODE_RETRIEVAL_QUERY、QUESTION_ANSWERING、FACT_VERIFICATION），正确指定任务类型可提升检索相关性。支持单条与批量嵌入，并给出分块处理以规避速率限制的做法。
使用方式：安装 SDK：npm install @google/genai@^1.27.0；设置环境变量 export GEMINI_API_KEY="your-api-key-here"，密钥从 https://aistudio.google.com/apikey 获取。SDK 调用 ai.models.embedContent，传入 model、content 或 contents、config（taskType、outputDimensionality）。边缘环境可用 REST 端点 embedContent 或 batchEmbedContents，请求头使用 x-goog-api-key。RAG 流程包括文档分块、以 RETRIEVAL_DOCUMENT 生成向量、存入 Cloudflare Vectorize，查询时以 RETRIEVAL_QUERY 生成向量并检索 top-k，再交给 LLM 生成回答。Vectorize 索引创建命令：npx wrangler vectorize create gemini-embeddings --dimensions 768 --metric cosine。
适用场景：RAG、语义搜索、文档聚类、分类、代码检索、问答与事实核查等。
限制：仅文本输入，不支持图像、音频、视频；单条 2048 tokens；免费层 100 RPM、30,000 TPM、1,000 RPD，付费层级限制不同；实验模型 gemini-embedding-exp-03-07 已于 2025 年 10 月弃用，不应使用。其他细节资料暂未提供。