用途：Embeddings and Search 是 liter-llm 的能力集合，用于生成文本嵌入、调用网络搜索、对文档做 OCR，以及为检索管线做重排序，全部走同一套 provider/model 路由约定。
主要能力：嵌入支持维度选择与 base64 输出（在服务方允许时于请求中设置 dimensions、encoding_format）；网络搜索覆盖 12 家提供方；OCR 覆盖 4 家提供方，输出按页返回，含页码与 markdown 文本；重排序用 RerankRequest（model、query、documents）对候选文档打分排序，结果含 index 与 relevance_score，可与 embed 组合做混合检索。
必要用法：安装与调用来自 liter-llm。嵌入示例：from liter_llm import create_client；from liter_llm._internal_bindings import EmbeddingRequest；create_client(api_key=os.environ["OPENAI_API_KEY"])；EmbeddingRequest.from_json('{"model":"openai/text-embedding-3-small","input":["first document","second document"]}')；await client.embed(request)。搜索：SearchRequest.from_json('{"model":"brave/web-search","query":"What is the Rust programming language?","max_results":5}')；await client.search(request)。OCR：OcrRequest.from_json('{"model":"mistral/mistral-ocr-latest","document":{"type":"document_url","url":"https://example.com/invoice.pdf"}}')；await client.ocr(request)。重排序：构造 RerankRequest 后 await client.rerank(request)。以上均为异步调用，配合 asyncio.run 使用。
适用场景：语义检索、RAG 数据准备、批量文档 OCR、搜索结果聚合与检索结果精排。
限制：搜索与 OCR 提供方各自需要独立 API 密钥（如 BRAVE_API_KEY、MISTRAL_API_KEY），从环境变量读取；完整 12 家搜索与 4 家 OCR 后端清单及模型标识需查阅上游提供方参考，资料中未给出；其余细节暂未提供。