埋め込み（Embeddings）

text-embedding-v4（Alibaba）でテキストをベクトル化できます。OpenAI Embeddings API と互換です。 RAG・意味検索・クラスタリングなどに利用します。

Python
TypeScript
cURL

import os
import numpy as np
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["LYKURO_API_KEY"],
    base_url="https://api.lykuro.ai/alibaba/compatible-mode/v1",
)

texts = ["猫はかわいい動物です。", "犬は忠実なペットです。", "株価が下落した。"]
resp = client.embeddings.create(model="text-embedding-v4", input=texts)
vectors = [np.array(d.embedding) for d in resp.data]

def cosine(a, b):
    return a @ b / (np.linalg.norm(a) * np.linalg.norm(b))

# 「猫」と「犬」、「猫」と「株価」の類似度を比較
print("猫 vs 犬   :", cosine(vectors[0], vectors[1]))
print("猫 vs 株価 :", cosine(vectors[0], vectors[2]))

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.LYKURO_API_KEY,
  baseURL: "https://api.lykuro.ai/alibaba/compatible-mode/v1",
});

const texts = ["猫はかわいい動物です。", "犬は忠実なペットです。", "株価が下落した。"];
const resp = await client.embeddings.create({ model: "text-embedding-v4", input: texts });
const vectors = resp.data.map((d) => d.embedding);

const cosine = (a: number[], b: number[]) => {
  const dot = a.reduce((s, v, i) => s + v * b[i], 0);
  const na = Math.hypot(...a);
  const nb = Math.hypot(...b);
  return dot / (na * nb);
};

console.log("猫 vs 犬   :", cosine(vectors[0], vectors[1]));
console.log("猫 vs 株価 :", cosine(vectors[0], vectors[2]));

curl https://api.lykuro.ai/alibaba/compatible-mode/v1/embeddings \
  -H "Authorization: Bearer $LYKURO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-v4",
    "input": ["猫はかわいい動物です。", "犬は忠実なペットです。"]
  }'

レスポンスの data[].embedding がベクトルです。

:::note ベクトルDBとの併用取得したベクトルは pgvector / Qdrant / Pinecone などに格納して類似検索に使えます。インデックス作成時と検索時で同じモデル（text-embedding-v4）を使ってください。 :::