Skip to main content
Embedding 和 Rerank 常用于知识库、语义搜索、推荐、去重和 RAG。
  • Embedding：把文本转换为向量，用于召回相似内容。
  • Rerank：对候选结果重新排序，提高最终命中质量。

​
Embedding

常见路径：

​
Rerank

Rerank 的路径和参数可能因模型来源不同而不同。常见输入包括：
  • query：用户问题
  • documents：候选文本列表
  • model：重排模型 ID
  • top_n：返回前 N 条
如果模型广场标记了 Rerank 能力，请优先查看该模型的参数说明。

​
选择建议

​
批量与成本

  • 批量向量化时注意单次输入上限。
  • 文档切分不宜过长，否则召回粒度变粗且成本上升。
  • 大批量任务建议加队列和重试，避免 429 限流。
  • 具体扣费看 计费与用量。

​
与文本对话配合

RAG 常见流程：
1

离线向量化

将知识库切块后调用 Embedding，存入向量数据库。
2

在线召回

用户提问后向量化 query，检索相关文档。
3

可选重排

使用 Rerank 对候选文档重新排序。
4

生成答案

将高相关文档放入 文本对话模型 的上下文。