跳转到主要内容
POST
https://llm.ai-nebula.com
/
v1
/
models
/
{model}
:embedContent
Gemini 文本向量（embedContent）
curl --request POST \
  --url https://llm.ai-nebula.com/v1/models/{model}:embedContent \
  --header 'Authorization: <authorization>' \
  --header 'Content-Type: application/json' \
  --data '
{
  "content": {},
  "outputDimensionality": 123,
  "taskType": "<string>"
}
'
{
  "embedding": {
    "values": [0.0023064255, -0.009327292, 0.015797347, ...]
  },
  "metadata": {
    "usage": {
      "prompt_tokens": 6,
      "total_tokens": 6
    }
  }
}

​
简介

使用 Gemini 原生接口将文本转换为向量嵌入。模型由 URL 路径 指定（如 gemini-embedding-001），适用于需要 Google 嵌入模型或与 Gemini API 对齐的场景。
与 文本向量化（Embedding） 的 OpenAI 格式互为补充：本文档为 Gemini 原生路径；同一能力也可通过 POST /v1/embeddings 调用。

​
认证

​
Authorization
string
必填
Bearer Token，如 Bearer sk-xxxxxxxxxx

​
路径参数

​
model
string
必填
嵌入模型名称，如 gemini-embedding-001。

​
请求参数

​
content
object
必填
待嵌入内容。须包含 parts 数组，每项为 { "text": "文本内容" }。
​
outputDimensionality
integer
输出向量维度（仅部分模型支持，如 gemini-embedding-001、text-embedding-004）。
​
taskType
string
任务类型，如 RETRIEVAL_DOCUMENT、RETRIEVAL_QUERY（可选）。

​
cURL 示例

curl -X POST "https://llm.ai-nebula.com/v1/models/gemini-embedding-001:embedContent" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-XyLy**************************mIqSt" \
  -d '{
    "content": {
      "parts": [
        { "text": "要嵌入的文本内容" }
      ]
    }
  }'
带维度： 
curl -X POST "https://llm.ai-nebula.com/v1/models/gemini-embedding-001:embedContent" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-XyLy**************************mIqSt" \
  -d '{
    "content": {
      "parts": [
        { "text": "要嵌入的文本内容" }
      ]
    },
    "outputDimensionality": 768
  }'

​
Python 示例

import requests

url = "https://llm.ai-nebula.com/v1/models/gemini-embedding-001:embedContent"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer sk-XyLy**************************mIqSt"
}
payload = {
    "content": {
        "parts": [
            { "text": "要嵌入的文本内容" }
        ]
    }
}

response = requests.post(url, json=payload, headers=headers)
data = response.json()
embedding = data["embedding"]["values"]
print(f"向量维度：{len(embedding)}")

{
  "embedding": {
    "values": [0.0023064255, -0.009327292, 0.015797347, ...]
  },
  "metadata": {
    "usage": {
      "prompt_tokens": 6,
      "total_tokens": 6
    }
  }
}

​
批量接口（batchEmbedContents）

批量嵌入请使用：POST /v1/models/{model}:batchEmbedContents，请求体为 requests 数组，每项结构同单条（含 content.parts），且不要在每项中带 model 字段。 
curl -X POST "https://llm.ai-nebula.com/v1/models/gemini-embedding-001:batchEmbedContents" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-XyLy**************************mIqSt" \
  -d '{
    "requests": [
      { "content": { "parts": [{ "text": "第一段文本" }] } },
      { "content": { "parts": [{ "text": "第二段文本" }] } }
    ]
  }'

​
支持的模型

模型说明
gemini-embedding-001通用嵌入模型，支持 outputDimensionality
text-embedding-004高精度嵌入模型

​
注意事项

  • 模型由 URL 路径指定，请求体不要包含 model 字段
  • content.parts 必填，至少一个 text 非空
  • 用量信息在响应的 metadata.usage 中（prompt_tokens、total_tokens）