Embedding 与 Rerank

Embedding 和 Rerank 通常用于检索增强、语义搜索和候选结果重排。它们与对话模型使用不同端点。

Embedding

POST /v1/embeddings

curl https://agent-team-api.myrimate.cn/v1/embeddings \
  -H "Authorization: Bearer $AGENT_TEAM_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-v4",
    "input": [
      "第一段需要向量化的文本",
      "第二段需要向量化的文本"
    ]
  }'

Rerank

POST /v1/rerank

curl https://agent-team-api.myrimate.cn/v1/rerank \
  -H "Authorization: Bearer $AGENT_TEAM_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-rerank",
    "query": "如何给 API 设置超时？",
    "documents": [
      "在客户端设置连接和读取超时。",
      "使用向量数据库保存图片。",
      "对可重试错误使用指数退避。"
    ],
    "top_n": 2
  }'

批量任务建议

• 单独创建 Key，并设置合理的 Key 额度上限。
• 控制批大小；不要把超大文本数组一次性放入请求。
• 保存已完成批次的游标，失败后从未完成批次继续。
• 对 429 和可重试 5xx 使用带抖动的指数退避。
• 在正式全量处理前，用少量真实数据确认模型、维度和费用。

Embedding 与 Rerank 的可用模型和方案会变化，请在 模型广场 按接口类型确认。