embeddings

用途：把文本转为稠密向量表示，用于语义搜索与相似度比较，也涉及嵌入模型选择、分块策略与批量嵌入。主要能力：单条或批量文本嵌入；通过 OpenAI 客户端调用 text-embedding-3-small（1536 维）或 text-embedding-3-large（3072 维）；本地可用 Ollama 的 nomic-embed-text（768 维，免费）。分块建议 256-1024 tokens（常见 512），重叠 10%-20%，并可携带标题、来源等元数据。相似度用余弦相似度计算。关键决策：可将 text-embedding-3-large 截断到 1536 维；多数模型返回归一化向量；批量每次 100-500 条。常见错误：查询与文档使用不同嵌入方式、长文档不分块、相似度度量选错、对未变内容重复嵌入。高级模式见 references/advanced-patterns.md，包含 Late Chunking、带限流与重试的批量 API、基于 Redis 的嵌入缓存和 Matryoshka 降维。相关技能：rag-retrieval、hyde-retrieval、contextual-retrieval、reranking-patterns、ollama-local。限制：资料未提供具体安装命令、完整参数说明、性能基准和更多平台支持信息。