> ## Documentation Index
> Fetch the complete documentation index at: https://docs.focusapi.cn/llms.txt
> Use this file to discover all available pages before exploring further.

# Embedding / Rerank

> FocusAPI Embedding 与 Rerank 接入指南：向量化、语义检索、RAG 召回、重排模型选择、批量请求与成本控制。

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：

```http theme={null}
POST /v1/embeddings
```

```bash theme={null}
curl https://www.focusapi.cn/v1/embeddings \
  -H "Authorization: Bearer sk-your-api-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "FocusAPI 是 AI 模型 API 聚合平台"
  }'
```

## 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

| 场景       | 建议                     |
| -------- | ---------------------- |
| 低成本大规模召回 | 使用轻量 Embedding 模型      |
| 中文知识库    | 选择中文效果较好的向量模型          |
| 高准确率问答   | Embedding 召回后叠加 Rerank |
| 实时搜索     | 控制批量大小和并发              |

## 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](/errors/429)。
* 具体扣费看 [计费与用量](/billing/pricing)。

## 与文本对话配合

RAG 常见流程：

<Steps>
  <Step title="离线向量化">
    将知识库切块后调用 Embedding，存入向量数据库。
  </Step>

  <Step title="在线召回">
    用户提问后向量化 query，检索相关文档。
  </Step>

  <Step title="可选重排">
    使用 Rerank 对候选文档重新排序。
  </Step>

  <Step title="生成答案">
    将高相关文档放入 [文本对话模型](/models/chat) 的上下文。
  </Step>
</Steps>